Onde está o ROI?

O playbook que a Sequoia formalizou

A tese da Sequoia argumenta que a distinção entre vender uma ferramenta e vender um resultado está na proporção de inteligência e julgamento em cada tarefa: inteligência é regra, por mais complexa que seja, e julgamento é experiência acumulada. Onde a inteligência domina, o autopilot vence rápido. Onde o julgamento domina, o copilot ainda é a fronteira certa.

O critério prático que a tese oferece é simples e útil: olhe para o que já é terceirizado. Se uma empresa já paga um fornecedor externo para fazer algo, ela já aceitou que aquele trabalho pode sair de dentro de casa, o orçamento já existe como linha separada, e o comprador já está acostumado a pagar por resultado, não por hora. Substituir um contrato de terceirização por um provedor nativo de IA é troca de fornecedor. Substituir um time interno é reestruturação. A primeira é muito mais fácil de vender.

Cobrança no Brasil encaixa nesse critério quase perfeitamente. É, historicamente, um dos serviços financeiros mais terceirizados que existem.

A porta de entrada que já apareceu na cobrança brasileira

Não é hipótese. Está acontecendo agora. Operações de cobrança que reorganizaram seu atendimento por IA, segmentando o devedor em vez de tratá-lo como massa única, relatam um padrão consistente: uma fatia pequena de alta propensão e alto valor continua com atendimento humano premium, a maior parte do volume vai para agentes autônomos, e uma fatia de baixo valor recebe estratégia de contato mínimo.

Segmentação de devedores por propensão e valor, com direcionamento de canal e nível de atendimento.

Um caso documentado desse desenho reportou 18% de melhora na taxa de recuperação com 12% de redução em custo operacional. Em outro caso de automação de cobrança via WhatsApp, a efetividade de resposta ao cliente aumentou 68%, com queda de 10% no volume transferido para atendentes humanos.

O padrão confirma exatamente o que a tese prevê: o ganho não vem de automatizar tudo, vem de direcionar com precisão o que é intensivo em regra para a máquina e preservar o que exige leitura de contexto para o humano. É a aplicação mais limpa do framework autopilot que existe hoje em serviços financeiros brasileiros.

O ROI que não aparece

Aqui a tese da Sequoia encontra um problema que ela não discute, porque foi escrita olhando para quem constrói o produto, não para quem compra e implementa.

Isso não invalida a tese do autopilot. Invalida a forma como a maioria das operações está tentando aplicá-la. O erro mais comum é tratar “temos um agente de IA rodando” como sinônimo de “aplicamos IA onde o trabalho é intenso em regra”. Não é a mesma coisa. Uma operação pode ter um agente de IA tecnicamente funcionando e, ainda assim, tê-lo posicionado exatamente no ponto errado do espectro: numa negociação que exige leitura de contexto, histórico de relacionamento e julgamento sobre capacidade real de pagamento, não numa cobrança padronizada de baixo valor.

Por que a maioria erra o alvo

O erro estrutural é usar o autopilot como resposta genérica para “queremos reduzir custo de cobrança”, em vez de usar o framework para decidir onde ele se aplica. Renegociação de carteira grande, reestruturação de dívida corporativa, formação de preço de compra de NPL para um FIDC: são tarefas onde a variável decisiva não é a regra, é o julgamento sobre o devedor, o colateral, o ciclo de recuperação esperado e a tolerância a risco do fundo. Aplicar um agente autônomo genérico nesse tipo de decisão não acelera o trabalho, ele erra a decisão em escala, e depois alguém precisa desfazer o estrago.

O dado de ROI zero, lido com esse filtro, deixa de ser um problema de tecnologia e vira um problema de mapeamento. As operações que estão vendo retorno são as que aplicaram o autopilot no segmento certo, como no exemplo de segmentação citado acima. As que não estão vendo retorno, na maioria dos casos, aplicaram a mesma lógica de forma indiscriminada, esperando que ela funcionasse igualmente bem em qualquer ponto da carteira.

O vácuo que a tese americana não comenta

Existe uma segunda lacuna, e essa é geográfica. A tese da Sequoia foi escrita para um mercado com base regulatória mais definida sobre uso de IA em serviços financeiros. No Brasil, o Banco Central segue sem previsão de norma formal sobre IA no sistema financeiro antes do fim de 2026, e o próprio Comitê de Estabilidade Financeira já sinalizou, em ata recente, atenção crescente ao uso de modelos de IA para explorar vulnerabilidades no sistema financeiro, no mesmo período em que o país registrou crescimento expressivo em golpes financeiros.

Isso muda o cálculo de risco de quem decide implementar autopilot em cobrança ou crédito no Brasil. Não é só uma pergunta técnica ou de ROI. É uma pergunta sobre exposição em um ambiente onde a régua regulatória ainda não foi desenhada, e onde a auditabilidade da decisão automatizada pode se tornar exigência do dia para a noite, sem prazo de adaptação.

Onde apostar, onde manter o humano

• 01
  Candidato natural a autopilot

  Cobrança padronizada, de baixo valor, com regras claras de negociação. Ganho real e mensurável de custo e recuperação, como demonstram os casos de segmentação citados neste artigo.

• 02
  Continua exigindo julgamento humano

  Negociação de carteira relevante, estruturação de fundo, decisão de compra e formação de preço de NPL. Apoiado por dados e decisão auditável, não substituído por um agente autônomo genérico.

A régua não é “IA sim ou não”. É “que fatia do trabalho é regra, e que fatia é julgamento”, exatamente a mesma lógica defendida na edição anterior desta série sobre por que operações médias não precisam replicar a arquitetura multiagente dos grandes bancos. O erro de 2026 não é hesitar demais em adotar IA. É adotar sem essa régua.