Como CFO que começou a carreira programando, tenho uma regra simples na minha sala de reuniões: Proibido falar “F1-Score” sem falar “EBITDA” na mesma frase.
Vejo muitos times de Data Science comemorando vitórias que, na prática, são derrotas financeiras. Eles gastam R$ 500 mil em computação na nuvem para aumentar a precisão de um modelo em 0,5%, mas esse ganho não traz nenhum cliente novo, nem reduz nenhum custo operacional.
Isso é o que chamo de “Vaidade Computacional”. E vaidade não paga boleto.
O Choque de Realidade
Para o Board da empresa, a IA não é mágica; é CAPEX (Investimento) e OPEX (Custo Operacional). Se o dinheiro que sai é maior que o dinheiro que entra (ou deixa de sair), o projeto é um fracasso, não importa quão “state-of-the-art” seja o algoritmo.
- Cientista de Dados: “Nosso modelo de churn tem AUC de 0.95!”
- CFO: “Ótimo. Quantos clientes retivemos a mais? Qual o LTV (Lifetime Value) salvo? Qual o custo de retenção?”
Se você não sabe responder à segunda linha, você não tem um projeto de IA; você tem um hobby caro.
O Framework de Tradução: Tech -> Business
Para sobreviver à próxima rodada de cortes de orçamento, você precisa aprender a traduzir. Aqui está o dicionário:
| Métrica Técnica (O que você mede) | Métrica de Negócio (O que eu quero ouvir) |
|---|---|
| Acurácia / Precisão | Redução de Erro Operacional (Menos multas, menos retrabalho) |
| Latência (ms) | Conversão de Vendas (Cliente não espera, cliente compra) |
| Throughput (tokens/s) | Eficiência de FTE (Quantas horas/homem economizadas?) |
| Uptime / Disponibilidade | Continuidade de Receita (O sistema não para de vender) |
A Fórmula do Valor Centrato
Na Centrato, usamos uma fórmula simples para aprovar ou matar projetos de IA. Se o resultado não for positivo e claro, o projeto não passa da fase de piloto.
$$ \text{ROI} = (\text{Frequência do Problema} \times \text{Impacto Financeiro}) - \text{Custo Total da Solução} $$
- Frequência: Quantas vezes isso acontece por mês? (Ex: 10.000 chamados de suporte).
- Impacto: Quanto custa cada ocorrência? (Ex: R$ 20,00 por chamado humano).
- Custo da Solução: Inclua tudo. Nuvem, licenças, salário do time de dados e manutenção.
Exemplo Prático:
- Problema: Classificar e-mails de suporte.
- Cenário Atual: 10.000 e-mails/mês x R$ 5,00 (tempo humano) = R$ 50.000/mês.
- Solução IA: Automatiza 80% (8.000 e-mails). Economia potencial = R$ 40.000/mês.
- Custo da IA: R$ 5.000/mês (API + Servidor).
- Resultado: Lucro líquido de R$ 35.000/mês.
Isso é música para os meus ouvidos. “Acurácia de 99%” é apenas ruído se não vier acompanhada dessa conta.
Conclusão
Não se apaixone pela tecnologia. Apaixone-se pelo problema e pelo resultado. O melhor modelo de IA não é o mais complexo; é aquele que deixa a última linha do DRE mais azul.
