AI Governança de Capex para Conselhos de Administração: Do Portfólio de Experimentos a Casos de Negócio de Nível de Investimento

1. Trate os gastos com AI como um portfólio governado

Um portfólio de AI contém mais do que projetos. Normalmente inclui casos de uso que se espera que alterem receita, custo, risco ou serviço; capacidades compartilhadas de dados e integração; assinaturas de modelos e aplicações; capacidade de nuvem ou de centro de dados; equipes especializadas; funções de controle; e atividades de mudança necessárias para alterar como o trabalho é realizado. Cada categoria tem uma vida econômica, um perfil de dependência e um grau de reversibilidade diferentes. Um único orçamento de inovação pode ocultar essas diferenças.

O conselho precisa de uma visão que concilie compromissos entre classificações contábeis. Parte dos gastos pode ser infraestrutura capitalizada, parte pode ser despesa operacional e parte pode estar incorporada à folha de pagamento de unidades de negócios ou a contratos com fornecedores. A questão econômica é o caixa incremental total e a capacidade comprometidos com o portfólio, incluindo o custo operacional após o lançamento. Uma iniciativa pode parecer acessível durante um piloto porque integração corporativa, segurança, remediação de dados, redesenho de processos, treinamento, monitoramento e custo de operação contínua permanecem fora do registro contábil do piloto.

Divulgações oficiais mostram por que a disciplina de compromissos é importante. A Alphabet reportou USD 91.4 billion em despesas de capital de 2025, principalmente infraestrutura técnica, e afirmou que esperava um aumento significativo no investimento de 2026 em servidores, equipamentos de rede e centros de dados.[4] O relatório anual de 2026 da Microsoft declara que investimentos em AI estão sendo feitos em escala significativa e antes de fluxos de receita totalmente desenvolvidos.[5] A Meta reportou USD 72.22 billion em despesas de capital de 2025, incluindo pagamentos de principal de arrendamentos financeiros, e previa USD 115 billion a USD 135 billion em despesas de capital de 2026 para apoiar os esforços de AI e seu negócio principal.[6] A Amazon reportou USD 96.3 billion em despesas de capital em dinheiro nos primeiros seis meses de 2026, principalmente infraestrutura tecnológica que apoia o crescimento da AWS e a capacidade de fulfillment.[7] Esses números têm definições diferentes e finalidades de negócio mistas. Sua relevância é a magnitude, os longos prazos de entrega e a incerteza da demanda descritos nos documentos.

O portfólio deve, portanto, divulgar cinco totais: gasto cumulativo aprovado; compromissos contratuais e de arrendamento; run rate anual atual; custo operacional previsto em escala; e solicitações de capacidade não comprometida. Também deve identificar quais casos de uso consomem cada capacidade compartilhada. Isso evita que uma plataforma seja aprovada como necessidade estratégica enquanto os benefícios dependentes permanecem sem responsável.

2. Dê ao conselho um mandato de governança definido

A supervisão do conselho deve concentrar-se em exposição material, coerência do portfólio, apetite ao risco e qualidade das evidências. Ela não deve exigir que os conselheiros escolham modelos ou gerenciem sprints de entrega. A gestão continua responsável por propor e executar investimentos. O conselho estabelece quais compromissos exigem aprovação, quais evidências devem acompanhá-los, como funciona o desafio independente e o que acontece quando um caso de uso não atende às suas condições.

Os limites de aprovação devem combinar materialidade financeira, risco e reversibilidade. Uma aplicação de baixo custo que afete emprego, crédito, saúde, segurança, infraestrutura crítica ou dados pessoais sensíveis pode merecer maior supervisão do que uma ferramenta de produtividade de maior porte. Uma reserva de capacidade plurianual pode exigir atenção do conselho porque reduz a flexibilidade estratégica, mesmo que o caixa de curto prazo seja modesto. Os limites devem, portanto, considerar gasto cumulativo, compromissos não canceláveis, decisões e usuários afetados, sensibilidade dos dados, autonomia, alcance geográfico e custo de saída.

O conselho também precisa de um executivo responsável. O CEO, o diretor financeiro ou um patrocinador de transformação nomeado deve ser responsável pelo valor do portfólio. Líderes de tecnologia são responsáveis pela arquitetura e pelas evidências de entrega. Responsáveis de negócio são responsáveis pela linha de base operacional, pela adoção e pelos benefícios realizados. Líderes de risco, segurança, privacidade, jurídico e conformidade são responsáveis por padrões independentes dentro de seus mandatos. A auditoria interna pode testar o desenho e a operação sem se tornar um aprovador de primeira linha.

Tabela 1. Direitos de decisão do portfólio de AI e responsabilidade pelas evidências

A alocação é um modelo. As responsabilidades e delegações efetivas devem seguir a constituição, a regulamentação e o arcabouço de risco da organização.

3. Faça do caso de uso a unidade de valor

Um modelo, uma plataforma ou um lago de dados raramente é a unidade direta de valor de negócio. O valor surge quando um grupo definido de usuários altera uma decisão ou um fluxo de trabalho, e a mudança produz um resultado mensurável. O caso de uso deve, portanto, especificar o usuário, o processo operacional, a decisão ou a tarefa, a contribuição AI, a responsabilidade humana, a linha de base, o resultado-alvo e os controles afetados. Essa definição cria uma linha da tecnologia até o fluxo de caixa, o serviço ou o risco.

A fronteira do caso de uso exige disciplina. Uma alegação como "melhorar o atendimento ao cliente com AI" é ampla demais para aprovação de investimento. Um caso governado pode definir assistência para um tipo de contato, uma população de usuários e um canal especificados; medir tempo de atendimento, resolução no primeiro contato, qualidade, reclamações e escalonamento; identificar as fontes aprovadas de dados e conhecimento; e manter a autoridade humana para exceções definidas. O escopo torna-se testável e os custos tornam-se atribuíveis.

A capacidade compartilhada deve ser alocada de forma transparente. Se dez casos de uso exigirem uma camada de recuperação, controles de identidade e monitoramento, o caso da plataforma deve mostrar capacidade compartilhada mínima, capacidade incremental por caso de uso e capacidade ociosa não utilizada. Alocar todo custo compartilhado ao primeiro caso de uso pode fazer uma capacidade viável parecer antieconômica. Tratar todo custo compartilhado como custo indireto estratégico pode fazer cada caso de uso parecer artificialmente atrativo. O portfólio deve mostrar a viabilidade econômica antes e depois de um método de alocação consistente.

Os casos de uso também precisam de identificadores estáveis e controle de versão. Um piloto que começa como assistência à redação pode mais tarde gerar comunicações com clientes ou fazer recomendações. Seus perfis de risco, dados e benefícios mudaram. O registro de aprovação deve mostrar a nova fronteira, o compromisso cumulativo e o impacto dos controles, em vez de permitir que a iniciativa mantenha seu rótulo original de baixo risco.

4. Exigir um caso de negócio com grau de investimento

Um caso com grau de investimento é um registro de decisão capaz de resistir ao questionamento financeiro, operacional, tecnológico e de risco. Ele começa com o problema operacional e o contrafactual de manutenção da operação atual. Em seguida, compara opções, identifica a rota preferida, quantifica o custo e o benefício de ciclo de vida completo, demonstra entrega e adoção, e declara os controles exigidos para uso. Sua profundidade deve ser proporcional ao compromisso e à consequência.

O Green Book de 2026 do HM Treasury descreve cinco dimensões conectadas: estratégica, econômica, comercial, financeira e de gestão. Também exige avaliação de opções e proporcionalidade.[17] A orientação relacionada sobre casos de negócio desenvolve propostas por meio de casos de negócio de esboço estratégico, esboço e completos.[18] Essas estruturas do setor público não são regras de aprovação corporativa. Seu valor para os conselhos é a separação entre justificativa estratégica, valor, arranjos com fornecedores, acessibilidade financeira e evidências de entrega.

O contrafactual merece atenção especial. O caso deve comparar a opção preferida de AI com a manutenção da operação atual, a reformulação de processos sem AI, uma opção de análise baseada em regras ou convencional, terceirização, compra e construção interna. Se o desempenho de referência estiver se deteriorando, manter o resultado atual pode, por si só, exigir investimento. Se uma transformação existente já captura parte do benefício, o caso de AI deve considerar apenas o efeito incremental.

O caso deve declarar a incerteza sem ocultá-la em uma única estimativa pontual. As faixas de custo devem refletir a maturidade da estimativa. As faixas de benefício devem refletir a confiança na mensuração e a adoção. A análise de cenários deve mostrar resultados de demanda, preço, utilização, qualidade, produtividade e controle. As dependências de disponibilidade de fornecedores, energia, direitos sobre dados, habilidades especializadas e mudança de processos devem permanecer explícitas.

Tabela 2. Evidência mínima para um caso de negócio de AI

As evidências devem amadurecer com o compromisso. Uma proposta de descoberta pode usar intervalos delimitados; decisões de produção e escala exigem insumos controlados, rastreáveis e atuais.

5. Segmente o portfólio antes de ordená-lo

A comparação de portfólio só funciona quando investimentos distintos são identificados. Um segmento pode conter casos de uso de receita, outro casos de capacidade de mão de obra ou de custo, outro aplicações de risco e controle, e outro capacidade estratégica cujos benefícios diretos se acumulam por meio de vários casos a jusante. Trabalhos de infraestrutura e de conformidade obrigatória devem permanecer visíveis como camadas separadas, em vez de competir com base em uma medida comum de retorno não sustentada.

O portfólio também pode ser segmentado por maturidade. A descoberta valida o problema e os dados disponíveis. O experimento testa a viabilidade técnica em um ambiente delimitado. O piloto testa o processo de ponta a ponta, o comportamento do usuário e os controles. A produção estabelece um serviço controlado. A escala aumenta usuários, volume, geografia ou autonomia. A revisão de benefícios verifica os resultados realizados e determina se a capacidade deve ser expandida, corrigida, mantida ou descontinuada.

A segmentação de riscos deve influenciar o caminho de aprovação. O AI Risk Management Framework do NIST organiza a atividade em torno de governar, mapear, medir e gerenciar, com a governança atuando ao longo do ciclo de vida AI.[10] Seu perfil generativo AI identifica ações para riscos que podem ser novos ou ampliados por sistemas generativos.[11] A estrutura de responsabilização da GAO agrupa práticas em torno de governança, dados, desempenho e monitoramento.[12] Essas estruturas apoiam um inventário comum, ao mesmo tempo que permitem que os controles variem conforme o caso de uso, o contexto e a consequência.

O mapa resultante deve mostrar tanto a exposição estratégica quanto a financeira. Um pequeno experimento pode permanecer no pool de descoberta. Um serviço em produção com custo recorrente de modelo e de nuvem pertence ao portfólio comprometido. Uma plataforma compartilhada deve mostrar os casos de uso e a demanda que a justificam. Um investimento obrigatório em controle deve mostrar a exposição que mitiga e as consequências operacionais do atraso.

6. Construa um mapa de portfólio de casos de uso

O mapa de portfólio compara o valor econômico esperado com a confiança de execução. O valor econômico pode combinar fluxo de caixa incremental, custo de caixa evitado, capacidade utilizável, melhoria de serviço e redução de risco, com rótulos separados onde a conversão monetária é fraca. A confiança de execução combina clareza do problema, evidência de benefício, prontidão dos dados, desenho de controle, adoção e capacidade de entrega. O tamanho da bolha pode representar o custo anualizado ou o compromisso acumulado.

O mapa orienta a ação. Casos de alto valor e alta confiança são candidatos a escala controlada. Casos de alto valor e baixa confiança merecem investimento direcionado em evidências, em vez de compromisso automático. Casos de menor valor e alta confiança podem continuar úteis quando viabilizam capacidade estratégica, atendem a uma obrigação ou oferecem um caminho rápido para adoção. Casos de menor valor e baixa confiança devem normalmente ser interrompidos, fundidos ou retornar à definição do problema.

Um escritório de portfólio deve impedir que o mapa se torne um concurso de beleza. As pontuações precisam de definições ancoradas, datas de origem e responsáveis. O comitê deve ver faixas de confiança e violações de limites críticos. Também deve visualizar a concentração por fornecedor, modelo, provedor de nuvem, domínio de dados, processo de negócio e função de controle. Dez casos de uso individualmente atrativos podem criar uma dependência compartilhada relevante.

Casos de uso, pontuações e custos anuais recorrentes são premissas hipotéticas de modelagem. O tamanho da bolha representa o custo anual; o mapa apoia a governança e não estabelece uma previsão ou recomendação.

[/FIGURE]

7. Avance os benefícios por meio de uma escada de confiança

A confiança no benefício deve ser conquistada por meio de evidências. Uma hipótese de gestão pode justificar gastos com descoberta. Ela não deve sustentar um grande compromisso de produção. Um piloto controlado pode estabelecer se a tecnologia altera o desempenho da tarefa sob condições definidas. Evidências de produção podem mostrar se o processo mais amplo, os usuários e os controles sustentam o resultado. A verificação financeira pode confirmar se a mudança gerou resultados de caixa, capacidade, serviço ou risco após custos e efeitos de deslocamento.

A escada evita precisão falsa. Um benefício pode ter um valor estimado alto e baixa confiança. Outro pode ter um valor menor e evidências mais fortes. O portfólio deve relatar ambos. A confiança deve cair quando o caso de uso muda de população, dados, modelo, processo ou escala, porque as evidências anteriores podem não ser transferíveis.

Pesquisas da OCDE sobre a adoção de AI relatam que a incerteza sobre o retorno do investimento e a maturidade insuficiente dos dados são barreiras importantes, e que os gestores podem subestimar as implicações de processo e culturais em toda a empresa.[8] Uma revisão separada da OCDE sobre pesquisa experimental conclui que o desempenho depende da tarefa e da experiência do usuário, enquanto as evidências organizacionais de longo prazo continuam limitadas.[9] Essas conclusões apoiam uma transferência cautelosa de experimentos de tarefas individuais para alegações de fluxo de caixa corporativo.

Finanças deve definir as evidências exigidas em cada nível. Tempo economizado não é automaticamente dinheiro economizado. Pode criar capacidade, melhorar o serviço, reduzir horas extras, evitar contratações ou permitir redução de quadro; cada caminho tem evidências e consequências diferentes. Aumento de receita exige um grupo de controle confiável ou outro método de atribuição. A redução de risco pode exigir análise de perda esperada ou de custo de controle e deve preservar resultados não financeiros graves que não sejam adequados para simples monetização.

A escada define a maturidade das evidências. Ela não atribui uma probabilidade universal nem um aumento de avaliação a um nível de confiança.

[/FIGURE]

8. Estabelecer a linha de base e o contrafactual

A linha de base deve registrar o desempenho antes da intervenção AI. Dependendo do caso de uso, ela pode incluir volume de transações, tempo de processamento, retrabalho, erro, defeito, perda, conversão, margem, reclamação, tempo de ciclo, nível de serviço, exceções de controle e esforço dos funcionários. Sistemas de origem, período de medição, exclusões e sazonalidade devem ser documentados. Uma linha de base montada após um piloto bem-sucedido pode introduzir viés de seleção.

O contrafactual define o que ocorreria sem o investimento proposto. A operação normal pode incluir tendências de produtividade existentes, mudanças contratuais de preços, planos de pessoal, melhoria de processos e outros lançamentos de tecnologia. O caso deve evitar reivindicar benefícios já esperados desses fatores. Quando um controle randomizado for impraticável, uma implementação em fases, um grupo pareado, uma série temporal interrompida ou uma comparação pré-pós definida podem fornecer evidências úteis, desde que as limitações sejam declaradas.

Os benefícios precisam de uma cadeia da métrica operacional até a demonstração financeira ou o resultado sob governança. Os minutos economizados por tarefa só se tornam capacidade anual depois de multiplicados pelo volume elegível, pela adoção, pela redução sustentada de tempo e pela realocação produtiva. A capacidade só se torna custo evitado quando um plano de contratação aprovado muda ou uma despesa de terceiros é eliminada. A receita se torna contribuição após o custo de entrega, a canibalização, o desconto, o churn e os impostos, quando aplicável. O conselho deve ver cada elo.

A estrutura de Benefícios Digitais e de Dados do Reino Unido foi desenvolvida para ajudar a quantificar benefícios de programas digitais e de dados e deve ser usada em conjunto com as orientações do Green Book.[19] A Estrutura de Eficiência Governamental também vincula economias identificadas à gestão de benefícios e a arranjos de governança mais amplos.[20] O contexto de setor público delas difere de uma carteira corporativa. A disciplina geral continua útil: definir tipos de benefício, métodos de medição, responsabilização e a relação entre mudança operacional e valor.

9. Tornar a prontidão de dados um critério de liberação de capital

A prontidão de dados tem valor econômico direto porque a remediação consome tempo, esforço especializado e atenção operacional. Ela também afeta o desempenho e o risco de controle. Um caso de uso deve identificar os dados necessários, o proprietário dos dados, a base legal ou o direito contratual, a via de acesso, a qualidade, a completude, a linhagem, a representatividade, a retenção, a classificação de segurança, a resiliência e o monitoramento. As incógnitas devem acarretar consequências de custo e cronograma.

A avaliação de prontidão deve separar a existência de um conjunto de dados do acesso utilizável. Os dados podem estar distribuídos entre sistemas, presos em contratos com fornecedores, disponíveis apenas por extração manual ou inadequados para a frequência exigida. Os rótulos podem ser inconsistentes. Os resultados históricos podem refletir políticas passadas que mudaram. Os dados de treinamento podem não representar os usuários atuais ou os casos extremos. Uma alegação genérica de que a organização tem dados não resolve essas questões.

O mapa de calor deve usar pontuações ancoradas. Uma pontuação vermelha significa que uma condição definida está ausente ou é inaceitável. Âmbar significa que a remediação está financiada e delimitada. Verde significa que as evidências atuais satisfazem o critério de liberação. Cinza significa que a dimensão não foi avaliada. As médias podem ocultar falhas críticas, portanto questões de direitos, segurança ou uso proibido devem permanecer visíveis mesmo quando outras dimensões estiverem maduras.

A economia do caso de uso deve incluir a remediação de dados e o controle contínuo. Um produto de dados pode dar suporte a vários casos de uso, permitindo a alocação compartilhada de custos. O conselho deve ver os casos de uso que justificam o investimento, a sequência necessária e o risco de a demanda prevista não se materializar.

As pontuações são premissas hipotéticas de modelagem: 1 significa ausente ou inaceitável, 3 significa remediação delimitada e 5 significa evidências prontas para o critério de liberação.

[/FIGURE]

10. Conciliar a economia do ciclo de vida completo

O modelo de custos deve incluir descoberta, construção, integração, dados, segurança, validação, licenças, inferência de modelo, nuvem ou infraestrutura, mudança, treinamento, suporte, monitoramento e desativação. Também deve incluir pessoas internas quando representarem capacidade escassa ou contratação incremental. Compromissos sujeitos a volumes mínimos, capacidade reservada, contratos de locação e contratos take-or-pay devem ser apresentados separadamente do uso variável.

O modelo de benefícios deve distinguir caixa, capacidade, receita, serviço e risco. Essas categorias não devem ser somadas em um único total monetário, a menos que a base de conversão seja crível. Um caso pode mostrar um retorno de caixa positivo e um resultado separado de cliente ou de controle. Um caso de uso obrigatório de conformidade pode ter retorno convencional limitado, ao mesmo tempo que preserva a permissão para operar. Seu custo ainda compete por capital e capacidade de entrega.

O exemplo hipotético abaixo usa um modelo nominal de cinco anos, uma taxa de desconto de 11 por cento, nenhum valor terminal e tratamento tributário simplificado. Ele pressupõe que os custos de implementação ocorram antes da escala, que os benefícios aumentem com a adoção e que o custo operacional anual aumente com o volume. Exclui estrutura de financiamento, câmbio, capital de giro, capitalização contábil e interações com outros programas. Essas são premissas de modelagem, não insumos de mercado.

Tabela 3. Economia hipotética de caso de uso do piloto à escala

Os valores são hipotéticos, em milhões de USD. O VPL usa uma taxa de desconto nominal de 11% ao ano ao longo de cinco anos, sem valor terminal; os totais são arredondados e não representam uma previsão.

Valores críticos melhoram a decisão. O caso deve mostrar o nível de adoção, o preço unitário, a taxa de erro, o benefício por transação ou o volume em que o VPL chega a zero ou a um limiar do conselho. Também deve mostrar o caixa em risco antes da próxima decisão reversível. Isso concentra o debate nas premissas que determinam o valor.

A visão de portfólio deve evitar dupla contagem. Uma plataforma de dados compartilhada não pode reivindicar o benefício integral de cada caso de uso dependente enquanto cada caso de uso também reivindica o mesmo valor. Um benefício de produtividade não pode ser contabilizado como redução de custos, evitação de contratações e receita adicional, a menos que a organização tenha uma alocação credível da capacidade liberada. O financeiro deve manter um registro de benefícios com um único responsável e um único tratamento para cada resultado.

11. Precificar explicitamente infraestrutura, capacidade e energia

A economia de AI pode mudar com a escolha de modelo, consumo de tokens ou de computação, latência, comprimento de contexto, cache, utilização, capacidade reservada, armazenamento, transferência de dados, depreciação de hardware e disponibilidade de energia. O conselho não precisa de uma tabela tarifária técnica. Precisa dos direcionadores unitários, compromissos contratuais, sensibilidade e mitigação.

A Agência Internacional de Energia relata que centros de dados focados em AI cresceram rapidamente e que o uso de energia por tarefa simples de AI melhorou substancialmente, enquanto usos mais intensivos de vídeo, raciocínio e agentes podem consumir muito mais energia.[3] Ela também relata crescimento elevado e incerto na capacidade de centros de dados e na demanda de eletricidade. A implicação para um caso de uso corporativo é que o custo por tarefa deve ser medido sob a carga de trabalho real, e não presumido a partir de uma demonstração.

A aprovação de capacidade deve seguir evidências de demanda. Uma empresa pode reservar infraestrutura por razões estratégicas, proteção de suprimento ou latência, mas o caso deve mostrar utilização comprometida, valor de opção e potencial de queda. Equipamentos com longo prazo de entrega, contratos de energia e contratos de locação de centros de dados podem reduzir a reversibilidade. O documento protocolado pela Alphabet, por exemplo, descreve projetos plurianuais de centros de dados e compromissos relevantes de infraestrutura técnica.[4] O conjunto de fatos é específico da empresa; ele ilustra como a economia de infraestrutura vai além de um piloto de software de curto prazo.

O roteamento de modelos pode preservar valor. Modelos de menor custo podem lidar com tarefas delimitadas, com modelos maiores usados para exceções. Recuperação, cache, design de prompts e restrições de processo podem reduzir o consumo. O portfólio deve monitorar o custo por resultado de negócio concluído e aceito, não apenas o custo por solicitação. Saídas falhas, repetidas ou corrigidas manualmente devem entrar no denominador.

12. Conceber controles como parte do investimento

Os controles são requisitos de produto e operacionais com custo, cronograma e responsabilidade. Eles devem ser concebidos junto com o caso de uso, e não acrescentados após o sucesso técnico. O conjunto de controles pode incluir finalidade aprovada, acesso, minimização de dados, testes, revisão humana, segregação, restrições de saída, registro em log, monitoramento, resposta a incidentes, supervisão de fornecedores, retenção de registros, fallback e desativação.

A proporcionalidade dos controles é importante. O framework do NIST é voluntário e agnóstico em relação ao caso de uso, e enfatiza a gestão contínua de riscos ao longo do ciclo de vida.[10] A ISO/IEC 42001 especifica um sistema de gestão de AI para organizações que fornecem ou usam AI e utiliza uma estrutura de melhoria contínua.[13] A orientação revisada de 2026 do Federal Reserve sobre risco de modelos enfatiza uma abordagem baseada em risco, adaptada ao perfil de modelos, porte e complexidade de uma organização bancária.[14] A orientação bancária aplica-se dentro de seu escopo regulatório declarado. Sua lição mais ampla de governança é que validação, limitações, supervisão e controles devem ser proporcionais ao uso material.

As obrigações legais exigem análise específica por jurisdição. O Regulamento AI da UE usa uma estrutura baseada em risco e se aplica progressivamente; a Comissão Europeia informou que poderes de execução e certas obrigações de transparência passaram a valer a partir de agosto de 2026, com outras disposições de alto risco sujeitas a datas posteriores.[15][16] Um documento para o conselho deve declarar o papel da organização, localização, classificação do caso de uso e assessoria jurídica. Um rótulo genérico de "em conformidade com AI" é insuficiente.

Tabela 4. Concepção de controles vinculada a evidências de investimento

A tabela é um modelo de governança e não substitui requisitos legais, regulatórios, de segurança, de privacidade ou específicos do setor.

13. Use portões de controle para alinhar a autoridade ao compromisso

Os portões devem autorizar um próximo compromisso definido. O Portão 0 aceita o problema na fase de descoberta. O Portão 1 aprova um experimento limitado depois que a linha de base, o acesso aos dados e o plano de teste estiverem claros. O Portão 2 aprova um piloto quando o processo, os usuários, os controles e o método de mensuração de benefícios estiverem prontos. O Portão 3 aprova a liberação para produção depois que as evidências de desempenho e de controle de ponta a ponta forem aprovadas. O Portão 4 aprova a escala depois que a adoção e a economia unitária forem demonstradas. O Portão 5 encerra os benefícios e determina expansão, manutenção ou desativação.

Cada portão deve ter quatro resultados: avançar; avançar com condições com prazo definido; aguardar evidências; ou parar. As condições exigem um responsável, um item de evidência, uma data-limite e uma consequência. Aprovações condicionais repetidas devem ser reportadas porque podem converter evidências ausentes em exposição permanente.

A autoridade de aprovação deve aumentar com o compromisso e a consequência. Uma equipe delegada pode aprovar um experimento pequeno e isolado. Um comitê de investimentos pode aprovar uma liberação para produção. O conselho pode aprovar um grande compromisso de infraestrutura, uma mudança material na automação ou um caso de uso de alta consequência. A ação emergencial continua possível por meio de uma exceção definida e de uma revisão retrospectiva.

As evidências dos pontos de controle são cumulativas. A autoridade de aprovação deve refletir o compromisso acumulado, o risco, a reversibilidade e os usuários afetados.

[/FIGURE]

14. Teste a adoção antes de declarar valor em escala

A aceitação técnica mostra que um sistema consegue desempenhar. As evidências de adoção mostram que as pessoas o utilizam no processo pretendido e que o resultado operacional persiste. Um caso de escala deve definir usuários e transações elegíveis, uso ativo, frequência, conclusão, aceitação, substituição manual, retrabalho, contingência e suporte. Também deve identificar o trabalho que passou para fora do sistema medido.

A adoção deve ser medida em relação a um denominador de processo. O número de usuários licenciados é evidência fraca se apenas uma pequena parcela do trabalho elegível passa pelo sistema. O uso elevado também pode ser enganoso se o resultado for descartado ou corrigido. Resultados aceitos por transação elegível proporcionam uma ponte mais forte para o valor.

O desenho do processo e os incentivos importam. Os usuários podem contornar um controle lento ou não confiável. Os gestores podem incentivar o uso sem alterar a carga de trabalho ou as metas. Os funcionários podem economizar tempo, mas receber mais trabalho, afetando a qualidade e a retenção. Um caso de negócio deve declarar como mudam funções, medidas de desempenho, treinamento, supervisão, suporte e consulta à força de trabalho. Quando se aplicam direitos trabalhistas ou acordos coletivos, é necessário aconselhamento especializado.

O piloto deve representar a população operacional pretendida. Voluntários entusiasmados, dados limpos e baixo volume podem superestimar o desempenho em escala. Um teste em produção deve incluir usuários comuns, períodos de pico, exceções e recuperação de falhas. Portanto, os limites de adoção devem ser combinados com limites de qualidade e de controle.

15. Explicite as decisões de parar ou escalar

Uma revisão de parar ou escalar combina confiança nos benefícios, economia unitária, adoção, prontidão dos dados, eficácia dos controles e capacidade de entrega. Ela deve ocorrer em uma data ou volume declarado e antes do próximo compromisso material. A decisão é uma ação de portfólio, não uma pontuação retrospectiva do projeto.

Escalar pode significar mais usuários, transações, países, unidades de negócio, fontes de dados, autonomia ou capacidade do modelo. Cada forma altera o risco e o custo de maneira diferente. A aprovação deve especificar a dimensão da escala e as evidências que permanecem válidas. Um caso de uso que se expande para uma nova jurisdição legal ou população afetada pode exigir reclassificação e uma nova revisão de controles.

A interrupção deve ter um plano operacional. A equipe precisa de autoridade para rescindir um contrato, liberar capacidade reservada, arquivar dados, remover acessos, preservar registros, notificar usuários, reverter o processo e capturar aprendizados. Uma narrativa de custo irrecuperável não deve manter vivo um caso de uso antieconômico ou sem controle.

Tabela 5. Matriz de decisão de parar ou escalar

Os limites são exemplos hipotéticos. Cada organização deve definir limites de materialidade, risco e evidência dentro de seu arcabouço de governança.

Os valores e limites são premissas hipotéticas de modelagem. As cores de status resumem as evidências subjacentes e não estabelecem, por si só, prontidão ou valor.

[/FIGURE]

16. Controle de fornecedores, concentração e saída

A seleção de fornecedores pode determinar custo, desempenho, uso de dados, auditabilidade, resiliência do serviço e saída. O caso de negócio deve distinguir o provedor de modelo, o provedor de aplicações, o provedor de nuvem ou infraestrutura, o integrador e o fornecedor de dados. Um único contrato pode combinar vários papéis. A concentração deve ser avaliada em todo o portfólio, porque unidades de negócios separadas podem criar uma grande exposição compartilhada sem uma visão central.

A diligência devida deve abranger o escopo do serviço, os fatores de preço, os mínimos, a capacidade, a segurança, a privacidade, a propriedade intelectual, o uso de dados de treinamento, as mudanças de modelo e de funcionalidades, os subcontratados, a notificação de incidentes, a localização de dados, a auditoria, a cooperação regulatória, a portabilidade, a transição e a rescisão. As alegações dos fornecedores devem ser testadas em relação ao uso pretendido e às evidências internas. Uma certificação ou norma pode apoiar a diligência devida, embora continue insuficiente para a aceitação do caso de uso.

A economia de saída deve ser quantificada. A exportação de dados, a reconstrução de fluxos de trabalho, o retreinamento de usuários, a operação paralela e a retenção de registros podem ser relevantes. Uma mudança de modelo pode alterar o desempenho sem um lançamento convencional de software. Os contratos e as operações devem, portanto, prever pré-aviso, testes e reversão. Quando a dupla fonte não for economicamente viável, o conselho deve conhecer a dependência aceita e o plano de contingência.

O escritório de portfólio deve manter um calendário de compromissos. Ele deve mostrar datas de renovação, revisões de preços, faixas de volume mínimo, reservas de capacidade e janelas de rescisão. Uma decisão de interrupção tomada após uma renovação automática oferece menos proteção econômica do que uma revisão agendada antes da data de compromisso.

17. Dê ao conselho um painel orientado por evidências

O painel do conselho deve ser compacto e rastreável. Precisa de totais do portfólio, movimentação desde a reunião anterior, decisões necessárias e exceções relevantes. Deve mostrar gasto aprovado, compromissos, run rate anual, custo previsto em escala, benefício por nível de confiança, adoção, falhas de controles críticos, etapas de decisão de dados, concentração e casos de uso próximos da revisão de interromper ou escalar.

Agregados exigem detalhamento. Uma média verde do portfólio pode ocultar um caso de uso vermelho de alto impacto. O conselho deve ver exceções por compromisso acumulado e risco. Também deve ver condições pendentes há muito tempo, adiamentos repetidos de etapas de decisão e benefícios que permaneceram no nível de hipótese ou piloto enquanto os gastos continuavam.

Valor previsto e valor realizado devem permanecer separados. O painel pode mostrar o benefício esperado ponderado pela confiança para fins de cenário, mas isso não deve ser reportado como valor realizado. Caixa, capacidade, receita e resultados de serviço verificados pelo financeiro precisam de linhas próprias. O custo evitado deve identificar o plano ou contrato aprovado que mudou.

O material do comitê deve declarar premissas e mudanças relevantes. Um preço de modelo mais baixo, um volume maior de usuários, uma licença de dados revisada ou uma nova regulamentação podem alterar o caso. O controle de versões deve preservar a base aprovada em cada etapa de decisão e explicar a movimentação atual. Isso apoia a responsabilização sem criar um caso de negócio estático que se torne obsoleto após o lançamento.

18. Mobilize o sistema de governança em noventa dias

O primeiro mês deve estabelecer o inventário e a fronteira de decisão. A administração deve identificar todos os casos de uso AI, plataformas, compromissos de infraestrutura, assinaturas, fornecedores e domínios de dados. Cada item recebe um responsável, maturidade, gasto acumulado, run rate, próxima data de compromisso e classificação de risco. O financeiro concilia o razão e os contratos com o inventário.

O segundo mês deve estabelecer o padrão comum de evidências. Os responsáveis de negócio definem linhas de base e mecanismos de benefício. As equipes de tecnologia e dados avaliam a arquitetura e a prontidão. As funções de controle definem etapas de decisão proporcionais. A área de compras identifica concentração e exposição à renovação. O escritório de portfólio mapeia dependências e identifica casos cujo próximo compromisso deve ser pausado até que haja evidências.

O terceiro mês deve executar o primeiro ciclo de interromper ou escalar. A administração seleciona os casos de maior exposição e com compromisso mais próximo. O comitê de investimentos testa casos de negócio, condições e rotas de saída. O conselho aprova o envelope do portfólio, as exceções relevantes e a cadência futura de relatórios. As equipes então operam o sistema como um processo recorrente de decisão.

Tabela 6. Mobilização da governança de capex AI em noventa dias

A sequência é indicativa. O cronograma deve refletir a escala do portfólio, as obrigações regulatórias, a disponibilidade de dados e a maturidade da governança existente.

O escritório deve começar com decisões materiais, não com uma reconstrução histórica completa. Experimentos de menor valor podem ser colocados em um caminho simplificado. Itens de alto comprometimento, de altas consequências ou próximos da renovação merecem atenção imediata. O inventário pode amadurecer enquanto o sistema de governança começa a proteger a próxima decisão.

Conclusão

A governança de capex AI conecta o progresso tecnológico à disciplina de capital. O conselho precisa de um portfólio reconciliado de casos de uso, capacidades compartilhadas e compromissos. Cada caso de uso material precisa de um problema operacional definido, contrafactual, análise econômica de ciclo de vida completo, prontidão de dados, desenho de controles, plano de adoção e responsável final pelo benefício. As evidências devem amadurecer por etapas de aprovação antes que o compromisso aumente.

O sistema descrito neste artigo usa cinco instrumentos interligados: um mapa do portfólio de casos de uso, uma escada de confiança nos benefícios, um mapa de calor de prontidão de dados, etapas de controle e um dashboard de parar ou escalar. Juntos, eles mostram quais casos merecem financiamento de descoberta, quais precisam de remediação direcionada, quais estão prontos para escala controlada e quais devem ser encerrados. Eles também revelam infraestrutura compartilhada e exposições a fornecedores que não podem ser governadas um experimento de cada vez.

Boa governança preserva o aprendizado enquanto protege o capital. Um caso interrompido pode produzir evidências úteis quando os compromissos são limitados e as lições são capturadas. Um caso escalado conquista maior autoridade por meio de desempenho representativo, adoção pelos usuários, controles eficazes e valor verificado pelas finanças. O papel do conselho é tornar esses padrões explícitos e garantir que a administração os aplique antes que o portfólio se torne difícil de reverter.

Apêndice A. Perguntas do conselho para um compromisso material AI

1. Qual problema operacional e processo afetado estão no escopo?
2. O que acontece no curso normal das operações, e quais opções não-AI foram testadas?
3. Quais benefícios são resultados de caixa, capacidade, receita, serviço ou risco?
4. Qual é o nível de confiança atual para cada benefício e quais evidências o elevam?
5. Quais são os compromissos de caixa, capacidade e contratuais durante todo o ciclo de vida?
6. Quais condições de direitos, qualidade, linhagem, segurança e monitoramento de dados permanecem em aberto?
7. Quais decisões humanas, partes afetadas e jurisdições estão envolvidas?
8. Quais controles são necessários antes do piloto, da produção e da escala?
9. Quais limiares de adoção e qualidade acionam as decisões de escalar, manter ou interromper?
10. Qual é o próximo compromisso irreversível e o plano de saída antes dele?

Apêndice B. Pacote mínimo de evidências para interromper ou escalar

1. Definição atual do caso de uso e histórico de versões.
2. Método de mensuração da linha de base, do contrafactual e dos benefícios.
3. Gastos reais e previstos, compromissos e custo operacional anual.
4. Resultados do piloto ou da produção em usuários e condições representativos.
5. Evidências de adoção, aceitação, retrabalho, intervenção humana e contingência.
6. Status de prontidão dos dados e remediações pendentes.
7. Resultados de testes de controles, incidentes, limitações e aceitação de risco residual.
8. Desempenho, concentração, renovação e posição de saída de fornecedores.
9. Economia dos cenários, valores de troca e caixa em risco antes da próxima etapa de decisão.
10. Recomendação da administração com condições, responsável, data e consequência.

Referências

1. Banco de Compensações Internacionais, Financiando o boom de AI: dos fluxos de caixa à dívida, BIS Bulletin n.º 120, publicado em 7 de janeiro de 2026. https://www.bis.org/publ/bisbull120.htm
2. Banco de Compensações Internacionais, A corrida de investimento em AI, artigo de pesquisa do BIS n.º 1367, publicado em 14 de julho de 2026. https://www.bis.org/publ/work1367.htm
3. Agência Internacional de Energia, Questões-chave sobre energia e AI, publicado em 2026. https://www.iea.org/reports/key-questions-on-energy-and-ai
4. Alphabet Inc., Relatório Anual no Formulário 10-K referente ao exercício encerrado em 31 de dezembro de 2025, apresentado em 5 de fevereiro de 2026. https://www.sec.gov/Archives/edgar/data/1652044/000165204426000018/goog-20251231.htm
5. Microsoft Corporation, Relatório Anual no Formulário 10-K referente ao exercício encerrado em 30 de junho de 2026, apresentado em 30 de julho de 2026. https://www.sec.gov/Archives/edgar/data/789019/000119312526323660/msft-20260630.htm
6. Meta Platforms, Inc., Relatório Anual no Formulário 10-K referente ao exercício encerrado em 31 de dezembro de 2025, apresentado em 29 de janeiro de 2026. https://www.sec.gov/Archives/edgar/data/1326801/000162828026025534/meta-12312025x10kars.htm
7. Amazon.com, Inc., Relatório Trimestral no Formulário 10-Q referente ao trimestre encerrado em 30 de junho de 2026, apresentado em 31 de julho de 2026. https://www.sec.gov/Archives/edgar/data/1018724/000101872426000026/amzn-20260630.htm
8. OCDE, Boston Consulting Group e INSEAD, A adoção da inteligência artificial nas empresas: novas evidências para a formulação de políticas, publicado em 2 de maio de 2025. https://doi.org/10.1787/f9ef33c3-en
9. OCDE, Os efeitos da AI generativa sobre a produtividade, inovação e empreendedorismo, OECD Artificial Intelligence Papers n.º 39, publicado em 20 de junho de 2025. https://doi.org/10.1787/b21df222-en
10. Instituto Nacional de Padrões e Tecnologia, Estrutura de Gestão de Riscos de Inteligência Artificial 1.0, publicado em 26 de janeiro de 2023. https://doi.org/10.6028/NIST.AI.100-1
11. Instituto Nacional de Padrões e Tecnologia, Estrutura de Gestão de Riscos de Inteligência Artificial: Perfil de Inteligência Artificial Generativa, publicado em 26 de julho de 2024. https://doi.org/10.6028/NIST.AI.600-1
12. Government Accountability Office dos EUA, Inteligência Artificial: Uma estrutura de responsabilização para agências federais e outras entidades, GAO-21-519SP, publicado em 30 de junho de 2021. https://www.gao.gov/products/gao-21-519sp
13. Organização Internacional de Normalização, ISO/IEC 42001:2023 Tecnologia da Informação — Inteligência Artificial — Sistema de Gestão, publicado em dezembro de 2023. https://www.iso.org/standard/81230.html
14. Conselho de Governadores do Sistema da Reserva Federal, Orientação Revisada sobre Gestão de Risco de Modelos, SR 26-2, publicada em 17 de abril de 2026. https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm
15. Comissão Europeia, Lei AI: Quadro Regulatório para a Inteligência Artificial, atualizado em 3 de agosto de 2026. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
16. União Europeia, Regulamento (UE) 2024/1689 que estabelece regras harmonizadas sobre inteligência artificial, publicado em 12 de julho de 2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
17. HM Treasury, The Green Book 2026, publicado em 5 de fevereiro de 2026. https://www.gov.uk/government/publications/the-green-book-appraisal-and-evaluation-in-central-government/the-green-book-2026
18. HM Treasury, Orientações sobre a Elaboração de Casos de Negócio, atualizado em 30 de junho de 2026. https://www.gov.uk/government/publications/guidance-on-developing-business-cases
19. Departamento de Ciência, Inovação e Tecnologia e Serviço Digital do Governo, Quadro de Benefícios Digitais e de Dados, publicado em 7 de abril de 2026. https://www.gov.uk/government/publications/digital-and-data-benefits-framework
20. Cabinet Office e HM Treasury, O Quadro de Eficiência Governamental, publicado em 2025. https://www.gov.uk/government/publications/the-government-efficiency-framework/the-government-efficiency-framework--2