OpenAI propõe medir retorno da IA por trabalho concluído

Nova abordagem troca métricas de uso, como tokens e licenças, por trabalho concluído, custo real por resultado, confiabilidade e ganho de escala.

A OpenAI apresentou nesta sexta-feira, 17 de julho, uma proposta para empresas avaliarem o retorno dos investimentos em inteligência artificial. Em vez de acompanhar apenas licenças compradas, usuários ativos ou preço por token, a companhia defende que gestores observem quanto trabalho útil a IA conclui, quanto custa cada tarefa bem-sucedida, qual é a confiabilidade do resultado e se o valor cresce mais rápido que o gasto.

A ideia foi detalhada no documento oficial da OpenAI e recebe o nome de “inteligência útil por dólar”. Não se trata de um padrão contábil independente, mas de uma estrutura de medição criada pela própria fornecedora. Ainda assim, o método ajuda a organizar uma discussão que ganhou espaço na agenda de diretores financeiros: como comprovar que um projeto de IA produz resultado econômico, e não apenas experimentação.

Por que o custo por token não mostra o retorno da IA

O preço por token indica uma parte do custo técnico, mas não revela o custo completo para chegar a um resultado aproveitável. Um modelo barato pode exigir várias tentativas, mais tempo de revisão humana e retrabalho. Um modelo mais caro, por outro lado, pode concluir a mesma atividade com menos etapas. Para a empresa, a conta precisa incluir computação, tempo dos profissionais, validação, correções, integrações e eventuais falhas.

Esse raciocínio dialoga com a mudança já observada entre CFOs que ampliam investimentos em tecnologia e IA: a decisão deixou de ser apenas comprar uma ferramenta e passou a exigir metas, governança e demonstração de valor. Na prática, o indicador mais útil não é quanto a organização consumiu de IA, mas quanto gastou para resolver um chamado, revisar um contrato, aprovar uma alteração de software ou preparar uma análise financeira dentro do padrão esperado.

Quatro perguntas para medir inteligência útil por dólar

A proposta da OpenAI organiza a avaliação em quatro perguntas. A primeira é se a IA conclui trabalho que realmente importa. Cada área precisa definir o que significa “pronto”: para atendimento, pode ser um problema resolvido; para engenharia, uma mudança de código aprovada nos testes; para jurídico, um contrato revisado corretamente e dentro do prazo.

A segunda pergunta é quanto custa cada tarefa bem-sucedida. A fórmula sugerida soma o custo total do fluxo e divide esse valor pelo número de tarefas que atingiram o nível de qualidade definido. Assim, tentativas que precisaram de correção ou escalonamento para uma pessoa continuam aparecendo na conta, em vez de desaparecerem atrás de médias de consumo.

A terceira pergunta mede confiabilidade. A empresa pode classificar as entregas em três grupos: prontas para uso, entregas que exigem correção e casos que precisam ser assumidos por uma pessoa. Essa separação mostra se a IA está reduzindo trabalho ou apenas deslocando esforço para a etapa de revisão.

A quarta pergunta observa a escala. Se o número de tarefas concluídas cresce mais rapidamente que o custo total, sem perda de qualidade, cada real aplicado produz mais valor. Essa comparação deve ser feita no mesmo processo ao longo do tempo, porque áreas, níveis de risco e tipos de tarefa têm economias diferentes.

Como aplicar a métrica em um projeto de IA

O ponto de partida é escolher um fluxo limitado e frequente. Uma empresa pode medir, por exemplo, respostas de suporte de primeiro nível, conferência de notas, preparação de propostas comerciais ou classificação de documentos. Antes de automatizar, deve registrar volume, tempo médio, custo de pessoal, taxa de erro, retrabalho e prazo. Esses dados formam a linha de base para comparar o desempenho depois da implantação.

Em seguida, a equipe define um padrão de qualidade observável. Não basta marcar uma tarefa como concluída porque o modelo produziu uma resposta. É preciso estabelecer critérios como precisão, uso correto das fontes internas, conformidade, aprovação do cliente ou execução sem falhas. A empresa também deve registrar quantas vezes a IA tentou, quantos minutos uma pessoa revisou e quando houve escalonamento.

A escolha do modelo entra apenas depois dessa definição. A família GPT-5.6, lançada em três versões, é citada pela OpenAI como exemplo de segmentação por capacidade e custo. Porém, a própria lógica do método indica que a comparação deve considerar a tarefa completa e pode envolver modelos de diferentes fornecedores. O melhor resultado será aquele que atingir a qualidade necessária pelo menor custo total, não necessariamente o menor preço unitário.

Impactos para empresas, profissionais e investidores

Para empresas, a principal consequência é a necessidade de integrar indicadores técnicos e financeiros. Times de tecnologia acompanham latência, consumo e falhas; áreas de negócio medem receita, produtividade, prazo e satisfação. Sem ligar os dois conjuntos, a organização pode otimizar tokens sem melhorar o processo — ou comemorar velocidade enquanto aumenta o retrabalho.

Para profissionais, a medição torna visível o valor da supervisão humana. Especialistas deixam de atuar apenas como revisores genéricos e passam a definir critérios, tratar exceções e melhorar o fluxo. Isso exige conhecimento do processo, capacidade de auditoria e clareza sobre quando a IA pode agir sozinha. Também reforça o papel do executivo responsável por converter IA em resultado, especialmente em organizações com vários projetos concorrendo por orçamento.

Para investidores e empreendedores, a estrutura oferece perguntas melhores para avaliar startups de IA. Quantas tarefas chegam prontas ao cliente? Qual é o custo completo por resultado? Quanto retrabalho existe? A margem melhora com o aumento do volume? Produtos que dependem de múltiplas tentativas e revisão intensiva podem ter uma economia menos atraente do que métricas de crescimento sugerem.

Governança continua determinante

Mais autonomia aumenta o valor potencial e também o risco. Antes de permitir que a IA execute ações, a empresa precisa definir quais dados podem ser acessados, quais sistemas podem ser alterados e em quais situações uma pessoa deve aprovar. Segurança, privacidade, trilhas de auditoria e controle de permissões entram no custo do projeto e não devem ser tratados como itens opcionais.

A proposta da OpenAI não resolve sozinha a mensuração do retorno, mas desloca o foco para um ponto prático: resultado utilizável. Para empreendedores, a recomendação é começar pequeno, medir o processo completo e ampliar somente quando a qualidade se mantiver e o custo por tarefa bem-sucedida cair. Esse acompanhamento ajuda a separar demonstrações impressionantes de automações que realmente sustentam produtividade, margem e crescimento.