Minha tese é simples: a maior parte das empresas brasileiras de médio e grande porte precisa aprender a operar com IA, mas não precisa montar uma empresa de IA dentro de casa. Algumas competências merecem ficar. Outras fazem mais sentido sob demanda. Quando essa diferença é ignorada, uma agenda de produtividade vira uma estrutura fixa cara, difícil de recrutar e ocupada aos solavancos.
das grandes empresas brasileiras usaram algum tipo de IA em 2025. Entre as médias, foram 32%.
Cetic.br, TIC Empresas 2025dos respondentes da McKinsey foram classificados como AI high performers em 2025: impacto de EBIT de pelo menos 5% e valor significativo.
McKinsey, State of AI 2025das empresas brasileiras que usavam IA contrataram fornecedores externos para desenvolver ou modificar sistemas.
Cetic.br, TIC Empresas 2025A vaga que vira uma empresa
Quase toda conversa sobre internalizar IA começa pela vaga errada. A empresa quer aprender rápido, proteger seus dados e depender menos de fornecedores. Então abre uma posição para “engenheiro de IA”, encontra alguém competente e coloca na mesa uma fila de casos que estava esperando havia meses.
O problema aparece logo depois. O modelo precisa encontrar dados confiáveis, autenticar usuários, conversar com sistemas legados, respeitar permissões, manter estado, registrar chamadas, controlar custos e ser testado continuamente. Se puder agir, alguém terá de definir limites, aprovações e trilha de auditoria. Se atender clientes ou funcionários, haverá trabalho de produto e UX. Produção traz deploy, observabilidade, incidentes e uma pergunta que costuma chegar tarde: quem responde quando isso der errado?
A primeira contratação puxa a segunda, depois a terceira. Sem perceber, a empresa começa a montar uma pequena software house especializada dentro da própria estrutura.
Pode ser a decisão certa. Só não é uma decisão pequena. Para fechar a conta, precisa haver trabalho contínuo, estratégico e previsível o bastante para ocupar todas essas competências por alguns anos.
O modelo ocupa pouco espaço na conta
Uma aplicação de IA em produção é um sistema de software. O modelo é uma dependência importante, claro, mas continua sendo uma dependência. Ao redor dele ficam engenharia, dados, integrações, identidade, segurança, avaliação, observabilidade, produto e governança. RAG, agentes e fine-tuning entram como escolhas de arquitetura. Nenhum deles substitui o trabalho de fazer o sistema funcionar numa terça-feira ruim.
O trabalho de engenharia ao redor do modelo ajuda a identificar as competências que precisam entrar nessa conta.
As referências técnicas contam a mesma história por ângulos diferentes. O NIST distribui o risco da IA generativa por todo o ciclo de vida, com responsabilidades de governança, medição e gestão.1 O OWASP inclui prompt injection, exposição de informação sensível, saídas mal tratadas, agência excessiva, fragilidades em vetores e consumo sem limite entre os principais riscos dessas aplicações.2 A documentação de produção da Microsoft separa avaliação prévia, tracing e monitoramento contínuo de qualidade, segurança, latência e custo.3 Repare no padrão: quase tudo acontece fora do modelo.
O piloto esconde boa parte desse trabalho. Ele roda com uma planilha limpa, meia dúzia de prompts e alguém conferindo cada resposta. Depois encontra dados que mudam, usuários que perguntam coisas inesperadas, permissões diferentes e integrações que falham no pior horário. Nesse momento, o erro deixa de ser uma curiosidade da demonstração e passa a custar dinheiro, confiança ou os dois.
É uma explicação possível para a distância entre usar IA e capturar valor com ela. Em 2025, a McKinsey encontrou IA em quase todas as organizações pesquisadas, mas só 39% relatavam algum impacto no EBIT da empresa. O grupo que combinava impacto de pelo menos 5% com valor considerado significativo era de 6%.4 Essas empresas redesenhavam processos, mantinham validação humana, cuidavam da infraestrutura de dados e conseguiam levar a mudança para a operação. Um chatbot comprado em dezembro não faz esse trabalho sozinho.
Quanto custa uma equipe interna de IA neste cenário?
Eu quis tirar essa discussão do campo das impressões. Para isso, modelei uma empresa brasileira fora do Simples, contratando profissionais CLT no percentil 50 das faixas nacionais de tecnologia da Robert Half para 2026. Quando não havia um cargo exatamente equivalente, usei um proxy e deixei isso indicado.
Salário é só a primeira linha. Somei 13º, adicional de férias, FGTS, contribuição patronal e os encargos usuais da folha. A Previdência informa contribuição patronal geral de 20%, mais 1% a 3% de risco; o FGTS corresponde, em regra, a 8% da remuneração.5 Acrescentei benefícios, equipamento, software e uma provisão moderada para recrutamento, onboarding e gestão. Ainda é uma conta conservadora.
Custo mensal recorrente = 1,569 × salário-base + R$ 3.200 por pessoa.
O fator 1,569 agrega provisões e encargos estimados. O valor fixo agrega benefícios, equipamento e software. É um cenário para decisão, não uma regra contábil universal. Regime tributário, RAT, benefícios e política de contratação alteram o resultado.
Neste cenário de 2026, uma equipe interna mínima de IA com três pessoas custa R$ 88.050 por mês, ou R$ 1.056.600 por ano. O cálculo combina R$ 50.000 de salários-base mensais, fator de custo empregador de 1,569 e R$ 3.200 por pessoa para benefícios, equipamento e software. A composição é IA/dados, engenharia de software sênior e produto. É uma estimativa modelada para uma empresa brasileira fora do Simples; não inclui cloud, consumo de modelos nem reposições por turnover.
Adicione engenharia de dados e arquitetura ou liderança técnica. Agora temos um time funcional de cinco pessoas, folha-base de R$ 89,2 mil e custo estimado de R$ 156 mil por mês, ou R$ 1,87 milhão por ano.
Com DevOps, DevSecOps e produto/UX ou qualidade, o grupo chega a oito pessoas. E ainda não é um organograma completo: governança, jurídico, dados de negócio e parte da operação continuam nas outras áreas da empresa. Mesmo assim, a conta bate em R$ 247 mil por mês e R$ 2,96 milhões por ano.
| Estrutura | Composição modelada | Folha-base mensal | Custo total mensal | Custo anual | Custo em 3 anos, antes do turnover |
|---|---|---|---|---|---|
| Mínima, 3 | IA/dados, backend sênior, produto | R$ 50.000 | R$ 88.050 | R$ 1.056.600 | R$ 3.169.800 |
| Funcional, 5 | + engenharia de dados, arquitetura | R$ 89.200 | R$ 155.955 | R$ 1.871.458 | R$ 5.614.373 |
| Ampliada, 8 | + DevOps, DevSecOps, produto/UX ou qualidade | R$ 140.900 | R$ 246.672 | R$ 2.960.065 | R$ 8.880.196 |
Leia esses valores como ordem de grandeza, não como orçamento fechado. As faixas da Robert Half vêm de profissionais colocados no mercado brasileiro, mas não cobrem todas as combinações de senioridade e competência que um projeto de IA pode exigir. Para engenharia de IA e de dados, usei a mediana de especialista/cientista de dados, R$ 19,1 mil. Para produto/UX ou qualidade no time de oito, adotei R$ 13 mil.6
E contratar não é um processo neutro. A Robert Half coloca IA, automação e machine learning entre as habilidades mais difíceis de encontrar em tecnologia e registra propostas de mudança com aumentos de 20% a 30% em alguns contextos.7 A Brasscom projetou um déficit acumulado de cerca de 600 mil profissionais de tecnologia até 2025.8 Esse número é amplo, não específico de IA, mas ajuda a explicar por que uma planilha salarial envelhece tão rápido.
Manter seis pessoas exige continuar contratando
Montar o time é só o começo. Seis profissionais mantidos por três anos representam 18 pessoas-ano de exposição. Com turnover anual de 15%, uma hipótese conservadora deste modelo, a expectativa matemática é de 2,7 saídas. Na prática, são cerca de três novas contratações apenas para continuar com seis pessoas.
Não encontrei um benchmark público brasileiro, recente e comparável para turnover de equipes seniores de IA. Então 15% permanece uma hipótese, não um fato de mercado. A conta é tamanho do time × anos × taxa anual. Se a taxa for 20%, seis pessoas geram 3,6 reposições esperadas em três anos.
A fatura não termina na taxa do recrutador. Uma saída abre semanas de entrevistas feitas pelas pessoas mais caras do time, cria vacância, força ramp-up e leva contexto embora. Para representar tudo isso sem fingir uma precisão que não existe, adotei três meses de custo total médio por saída.
| Estrutura | Saídas esperadas em 3 anos, a 15% a.a. | Custo incremental de reposição | Custo total estimado em 3 anos |
|---|---|---|---|
| 3 pessoas | 1,35 | R$ 119 mil | R$ 3,29 milhões |
| 5 pessoas | 2,25 | R$ 211 mil | R$ 5,83 milhões |
| 8 pessoas | 3,60 | R$ 333 mil | R$ 9,21 milhões |
Ainda ficam de fora inflação salarial, rescisões além da provisão, consultoria jurídica, cloud, consumo de modelos e integrações contratadas à parte. Também tratei todas as saídas pela média. A vida real é menos educada: perder o arquiteto ou a pessoa que entende o sistema legado costuma doer muito mais.
O salário não é o centro da conta
Aqui está a parte que mais distorce a conta. Um projeto pode precisar de cinco especialidades sem precisar de cinco especialistas, oito horas por dia, durante cinco anos. Arquitetura pesa no início. Produto e integrações crescem durante a construção. Segurança e avaliação entram perto do deploy e voltam em ciclos. Depois da estabilização, operação e observabilidade ocupam mais espaço.
| Competência | Diagnóstico | Construção | Integração | Deploy | Operação |
|---|---|---|---|---|---|
| Arquitetura | 90% | 60% | 40% | 30% | 15% |
| Engenharia IA | 35% | 100% | 80% | 55% | 35% |
| Dados | 60% | 85% | 90% | 40% | 35% |
| Integrações | 20% | 65% | 100% | 60% | 30% |
| Segurança / evals | 20% | 40% | 65% | 90% | 60% |
| Produto / mudança | 80% | 70% | 70% | 80% | 65% |
Um time interno cobra todos os meses, mesmo quando o gargalo mudou de lugar. Generalistas ajudam bastante, até o ponto em que deixam de ajudar. A mesma pessoa pode escrever prompts, integrar uma API e configurar logs. Esperar que ela também tenha profundidade em arquitetura, segurança, dados, produto, UX, compliance e operação de produção é transformar uma contratação difícil numa criatura mitológica.
Uma empresa especializada consegue distribuir esses picos entre projetos. O arquiteto entra forte por dois meses, segue para outro problema e retorna nas revisões. Segurança participa dos gates de design e produção. O cliente paga pela combinação necessária naquele momento, não pelo ano inteiro de cada função.
É daí que vem a vantagem econômica, quando ela existe. O fornecedor também carrega vendas, gestão, risco e margem, portanto terceirização não é sinônimo de barato. A diferença é conseguir acessar certas pessoas por algumas semanas sem precisar inventar trabalho para elas no resto do ano.
Experiência acumulada muda a curva de risco
Volume de projetos, sozinho, diz pouco. O que interessa é a memória que fica depois de cada entrega. Um parceiro que executa dezenas de projetos pode acumular uma biblioteca difícil de reproduzir internamente: autenticações que falharam, evals que encontraram regressões, integrações que quebraram em produção, estruturas de RAG que ficaram caras e critérios que separaram uma automação segura de um agente com acesso demais.
A economia chama o primeiro efeito de learning by doing: fazer muda a produtividade e o custo do próximo trabalho.9 Economias de escopo aparecem quando ativos compartilhados reduzem o custo de entregar serviços diferentes.10 Em IA aplicada, esses ativos são bem concretos: conectores, observabilidade, suites de avaliação, políticas de acesso, componentes de memória, checklists de segurança e padrões de workflow que já apanharam em produção.
Mas projeto não vira aprendizado por osmose. Alguém precisa registrar incidentes, versionar componentes, medir resultados e levar o que funcionou para a próxima equipe. Uma consultoria que vende horas soltas pode ter menos memória operacional do que um bom time interno. Eu procuraria evidência dessa memória antes de comprar a promessa: componentes mantidos, evals reaproveitados, decisões documentadas e pessoas capazes de explicar onde já erraram.
A velocidade tecnológica também tem folha de pagamento
Entre novembro de 2022 e outubro de 2024, o custo de inferência de um sistema no nível do GPT-3.5 caiu mais de 280 vezes, segundo o AI Index 2025 de Stanford.11 Em 2025, mais de 90% dos modelos notáveis vieram da indústria. Em março de 2026, os melhores modelos de seis empresas já apareciam próximos em avaliações humanas.12 Quando a diferença entre modelos encurta, custo, confiabilidade e desempenho no seu domínio começam a decidir mais do que a marca na apresentação.
Isso mexe com decisões que pareciam resolvidas. O modelo escolhido há seis meses pode perder a melhor relação entre custo e qualidade. Uma API proprietária incorpora algo que você construiu à mão. Um modelo aberto fica bom o bastante para um fluxo sensível. E um agente pode saltar nos benchmarks enquanto continua falhando em uma de cada três tarefas estruturadas.12
Não encontrei um percentual público confiável para dizer quanto tempo o time deve gastar acompanhando essa mudança. Qualquer número aqui seria regra de gestão fantasiada de benchmark. Mesmo assim, alguém terá de rodar comparativos, atualizar dependências, revisar fornecedores, acompanhar novas ameaças e preparar migrações. Sem tempo reservado, a arquitetura congela. Com todo mundo correndo atrás de cada lançamento, a entrega para.
Minha regra seria bem menos glamourosa: uma pessoa acompanha as mudanças, o time roda benchmarks periódicos contra casos reais e só troca um componente quando o ganho aparece na medição. Vale mais conseguir substituir a tecnologia sem reescrever o sistema inteiro do que instalar o modelo da semana.
Build versus buy é uma fronteira, não uma preferência
A conta interna cria uma primeira referência. Nas premissas deste modelo, um parceiro abaixo de R$ 88 mil por mês custa menos do que o time mínimo recorrente. A referência sobe para R$ 156 mil no time funcional e R$ 247 mil no ampliado. Só que preço mensal não resolve a escolha. Uma proposta barata com equipe júnior, arquitetura fechada e documentação ruim pode custar muito mais na saída.
Para comparar trajetórias, montei também um cenário de parceiro: dois meses de diagnóstico a R$ 120 mil, quatro de construção a R$ 180 mil, dois de estabilização a R$ 130 mil e quatro de evolução a R$ 75 mil. O primeiro ano soma R$ 1,52 milhão. Mantendo operação e evolução a R$ 90 mil por mês nos dois anos seguintes, o total chega a R$ 3,68 milhões.
Esse valor não é cotação nem média de mercado. Não encontrei um benchmark público confiável de preços para projetos empresariais de IA no Brasil. É uma hipótese para testar a decisão. Nesse cenário, o parceiro fica acima do time mínimo, 37% abaixo do funcional e 60% abaixo do ampliado em três anos. Se o trabalho pedir dedicação permanente ou vier com margem alta, a diferença encolhe ou desaparece.
| Critério | Equipe interna | Parceiro especializado | Pergunta de decisão |
|---|---|---|---|
| Custo | Fixo e previsível após contratar; alto custo de capacidade ociosa | Variável; inclui margem e risco do fornecedor | A demanda ocupa o time ao longo do ano? |
| Primeira entrega | Depende de recrutar, integrar e aprender o domínio técnico | Pode começar com time já formado | Quanto custa esperar? |
| Conhecimento do negócio | Pode se aprofundar e permanecer na empresa | Precisa de transferência ativa do cliente | O domínio está documentado e tem owner interno? |
| Especialistas | Caros para manter em baixa utilização | Compartilhados entre projetos e clientes | Quais competências têm picos curtos? |
| Tecnologia | Controle direto, mas risco de stack congelada | Repertório mais amplo, mas sujeito às escolhas do parceiro | A arquitetura permite substituição? |
| Turnover | Empresa absorve vacância e perda de contexto | Fornecedor absorve parte do risco de escalação | Há redundância e documentação contratual? |
| Dados e segurança | Maior controle potencial, não garantia automática | Exige desenho de acesso, contrato e auditoria | Quais dados podem sair de qual perímetro? |
| Propriedade intelectual | Mais fácil concentrar ativos estratégicos | Direitos e portabilidade precisam estar no contrato | O diferencial competitivo está no sistema? |
| Continuidade | Depende de retenção e liderança internas | Depende de SLA, saúde e governança do fornecedor | Como sair sem interromper a operação? |
| Aprendizado | Profundo no próprio domínio | Mais amplo entre domínios e projetos | Qual aprendizado precisa ser proprietário? |
O mercado brasileiro já compra IA de forma misturada. Entre as empresas que usavam a tecnologia em 2025, 80% adquiriram sistemas prontos e 54% contrataram fornecedores para desenvolver ou modificar software. As categorias se sobrepõem.13 Numa pesquisa global com 270 organizações, a BCG encontrou maior satisfação nos arranjos que combinavam equipes internas e fornecedores; entre quem trabalhava com dois ou mais parceiros, 62% misturavam capacidade interna e externa.14 É uma pesquisa observacional e autorrelatada, não uma prova de que o modelo híbrido causa melhores resultados. Ainda assim, maturidade claramente não obriga ninguém a fazer tudo dentro de casa.
Onde essa tese pode dar errado
Há bons motivos para discordar de mim. Eles ficam especialmente fortes em cinco situações.
1. IA faz parte do produto. Se a qualidade do modelo, da infraestrutura ou dos dados produz o diferencial central, terceirizar essa competência entrega parte da vantagem ao mercado. Bancos, marketplaces, plataformas digitais e empresas de tecnologia com escala podem justificar times internos amplos.
2. O fornecedor pode criar dependência. Componentes proprietários, documentação fraca e contratos sem portabilidade aumentam o custo de troca. A resposta está no desenho da relação: arquitetura substituível, acesso ao código, titularidade clara, documentação, exportação dos dados e um plano de saída que funcione antes de ser necessário.
3. O domínio mora dentro da empresa. Nenhum fornecedor chega sabendo as exceções do processo, a política comercial ou a tolerância real a risco. Product owner, especialistas do negócio, dados, critérios de qualidade e decisão de risco precisam continuar internos.
4. Em escala, margem externa fica cara. Com um pipeline estável para oito, vinte ou cinquenta profissionais, pagar a margem de um fornecedor indefinidamente pode superar o custo de uma estrutura própria. Quando a utilização fica alta e previsível, refaça a conta.
5. Terceirizar tudo enfraquece a decisão. Sem liderança técnica interna, a empresa não consegue avaliar propostas, controlar arquitetura ou cobrar resultado. Compra capacidade, mas não sabe dizer se recebeu o que precisava.
Essas objeções mudam o desenho, não derrubam a tese. O erro está nos extremos: terceirizar a capacidade de decidir ou verticalizar um conjunto inteiro de especialistas antes de ter trabalho recorrente para eles.
O modelo mais defensável é híbrido
Eu manteria dentro da empresa o dono do problema, as prioridades, o conhecimento do negócio, o acesso e a qualidade dos dados, a governança, a tolerância a risco e as métricas. Também precisa ficar alguém capaz de avaliar tecnicamente o fornecedor. Do lado de fora podem entrar arquitetura, construção, integrações, especialistas raros e capacidade adicional nos momentos de pico.
Essa fronteira também depende da competência que a equipe precisa continuar exercitando: contratar execução não transfere o domínio necessário para avaliar o resultado.
Em 2024, a McKinsey encontrou talento técnico e adoção de IA principalmente em modelos híbridos. Risco, compliance e governança de dados apareciam mais centralizados.15 Faz sentido: a empresa segura as decisões que não pode terceirizar e compra elasticidade onde a demanda varia.
E essa divisão não precisa ser eterna. Depois de alguns projetos, a empresa enxerga melhor quais componentes são permanentes, onde existe volume e qual conhecimento merece proteção. Contrata nessas posições, mantém apoio externo onde a demanda continua episódica e reduz o parceiro à medida que o time próprio ganha maturidade. Internalização funciona melhor como consequência do aprendizado do que como ato de fé no começo.
Quando eu montaria um grande time interno
Eu defenderia uma estrutura ampla quando várias destas condições aparecem ao mesmo tempo:
- IA participa diretamente do produto ou da vantagem competitiva.
- Existe um pipeline permanente e priorizado de casos, não uma coleção de pilotos.
- O volume ocupa especialistas de dados, segurança, plataforma e produto de forma previsível.
- Dados, latência, regulação ou segurança exigem controle técnico próprio.
- A empresa consegue recrutar, liderar e reter profissionais seniores.
- Há arquitetura comum para evitar que cada unidade reconstrua a base.
- Existe liderança capaz de medir valor no P&L e encerrar projetos ruins.
- A propriedade intelectual gerada justifica o custo de verticalização.
Bancos e grandes plataformas costumam marcar mais itens dessa lista. Têm escala, dados, regulação e um fluxo contínuo de problemas. Mesmo ali, “interno” tem limite: modelos, cloud, chips, observabilidade e partes da engenharia continuam vindo de fora.
A pergunta que eu levaria para a diretoria
A expressão “ter um time de IA” mistura duas coisas diferentes: possuir uma competência e conseguir acessá-la quando necessário. A empresa pode controlar o problema, os dados, a governança, a arquitetura e os critérios de qualidade sem manter cada especialista na folha o ano inteiro.
Neste modelo, o time mínimo custa cerca de R$ 1,06 milhão por ano e ainda deixa lacunas importantes. O funcional se aproxima de R$ 1,87 milhão. O ampliado chega a R$ 2,96 milhões antes de cloud, consumo de modelos e surpresas de turnover. Para uma empresa com utilização alta e vantagem estratégica em jogo, esses números podem ser ótimos investimentos. Sem volume, viram gente cara esperando o próximo piloto.
Eu começaria com uma planilha bem menos sofisticada do que a maioria dos decks sobre IA. Liste as competências necessárias. Marque quais precisam permanecer sob controle direto. Estime quantos meses de trabalho real cada uma terá no ano. Só então compare contratação, parceiro e modelo híbrido. A resposta muda com a escala, e deve mudar mesmo.
A pergunta útil para a diretoria é esta: quais competências de IA precisamos possuir e quais precisamos acessar com qualidade, segurança e prazo?
Evidências e método
Síntese das evidências
| Achado | Evidência | Qualidade | Limitação principal |
|---|---|---|---|
| Adoção empresarial de IA no Brasil chegou a 17% em 2025; 32% em médias e 50% em grandes | TIC Empresas 2025, 4.174 empresas | Alta para o universo pesquisado | “Uso de algum tipo de IA” cobre intensidades muito diferentes |
| Entre empresas brasileiras usuárias de IA, 80% compraram sistemas prontos e 54% contrataram fornecedores externos | TIC Empresas 2025 | Alta | Categorias não exclusivas; não mede sucesso do fornecedor |
| 39% relatavam algum EBIT empresarial atribuível à IA; 6% eram high performers | McKinsey Global Survey 2025 | Média | Autorrelato global, não amostra probabilística do Brasil |
| Empresas future-built da BCG eram 5% e realizaram 5,3 vezes mais aumento de receita e 3 vezes mais redução de custos que laggards em áreas de aplicação | BCG Build for the Future 2025, n=1.250 | Média | Autorrelato; resultado da área conhecida pelo respondente, não necessariamente da empresa inteira |
| Faixas medianas de tecnologia no Brasil variam de R$ 14,65 mil para gerente de produto a R$ 20,2 mil para DevSecOps | Robert Half 2026 | Média-alta para contratações cobertas | Não representa todo o mercado e não traz todas as especialidades de IA |
| 44% das empresas pesquisadas pela Robert Half pretendiam ampliar equipes de tecnologia | Robert Half 2026, 500 gestores e 1.000 trabalhadores | Média | Amostra do fornecedor e várias áreas profissionais |
| Riscos de produção excedem seleção de modelo | NIST, OWASP, Microsoft | Alta como referência técnica | Frameworks não medem custo de equipe |
| Custos de inferência podem mudar ordens de magnitude em pouco tempo | Stanford AI Index 2025 | Alta para o benchmark descrito | GPT-3.5-equivalent em MMLU não representa todos os workloads |
| Arranjos internos + fornecedores tiveram maior satisfação em pesquisa da BCG | BCG 2025, n=270 | Média-baixa para causalidade | Pesquisa observacional, autorrelatada e global |
Fontes, metodologia e uso
Os dados brasileiros de adoção vêm da TIC Empresas, com coleta telefônica entre fevereiro de 2025 e janeiro de 2026 e amostra de 4.174 empresas com dez ou mais pessoas ocupadas.13 Salários usam percentil 50 nacional do Guia Salarial Robert Half 2026. Encargos combinam referências oficiais e uma premissa explícita para itens que variam por empregador. Dados globais são identificados como globais no texto.
Modelo econômico detalhado
Salários usados
| Papel | Salário mensal | Natureza do valor | Fonte ou hipótese |
|---|---|---|---|
| IA / ML engineer | R$ 19.100 | Proxy | Mediana de especialista/cientista de dados, Robert Half 2026 |
| Software/backend sênior | R$ 16.250 | Fonte | Robert Half 2026 |
| Data engineer | R$ 19.100 | Proxy | Mediana de especialista/cientista de dados, Robert Half 2026 |
| Product manager | R$ 14.650 | Fonte | Robert Half 2026 |
| Tech lead / arquiteto | R$ 20.100 | Fonte | Arquiteto de software, Robert Half 2026 |
| DevOps / MLOps | R$ 18.500 | Proxy próximo | Analista de DevOps, Robert Half 2026 |
| Segurança / DevSecOps | R$ 20.200 | Fonte | Analista de DevSecOps, Robert Half 2026 |
| Produto/UX/qualidade | R$ 13.000 | Hipótese | Sem benchmark homogêneo encontrado para a combinação |
Premissas do custo empregador
| Componente | Premissa | Base |
|---|---|---|
| Salário | 100% | Fonte salarial |
| 13º | 8,33% | 1/12 da remuneração anual |
| Adicional de férias | 2,78% | 1/3 de 1/12 |
| FGTS e incidências aproximadas | 8,9% | 8% sobre remunerações aplicáveis |
| Previdência, RAT e terceiros | 30,9% | 27,8% sobre remunerações aplicáveis; RAT modelado em 2% |
| Gestão e administração | 6% do salário | Hipótese |
| Benefícios, equipamento e software | R$ 3.200/mês por pessoa | Hipótese |
| Turnover | 15% a.a. | Hipótese conservadora, sem benchmark brasileiro específico encontrado |
| Custo por saída | 3 meses do custo total médio | Hipótese para vacância, seleção, ramp-up e perda de produtividade |
Não foram incluídos cloud, tokens, licenças corporativas compartilhadas, custos de dados, consultoria jurídica, multas, viagens ou inflação. O modelo usa reais constantes de 2026.
Cenário de parceiro e pontos de equilíbrio
| Item | Premissa ilustrativa |
|---|---|
| Diagnóstico e arquitetura, 2 meses | R$ 240.000 |
| Construção, 4 meses | R$ 720.000 |
| Deploy e estabilização, 2 meses | R$ 260.000 |
| Evolução no ano 1, 4 meses | R$ 300.000 |
| Ano 1 | R$ 1.520.000 |
| Anos 2 e 3, R$ 90 mil/mês | R$ 2.160.000 |
| Total em 3 anos | R$ 3.680.000 |
O ponto de equilíbrio mensal é aproximadamente R$ 88 mil contra o time de três, R$ 156 mil contra o de cinco e R$ 247 mil contra o de oito. Uma proposta deve ser ajustada por escopo, senioridade, risco, ativos entregues, transferência de conhecimento e custo de saída.
Limites do cenário
Os custos de turnover, reposição e contratação de parceiro são hipóteses ilustrativas. Não representam taxas ou preços de mercado. As pesquisas de adoção e satisfação são observacionais e autorrelatadas; não estabelecem causalidade.
Sobre o autor
Ion “Zeugh” Neto é cofundador da fator.ai. Trabalha com estratégia, arquitetura e operação de sistemas de inteligência artificial, com foco em processos verificáveis, contexto, ferramentas, avaliações e limites de ação.
Fontes
- NIST. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. Julho de 2024, atualizado em 2026.
- OWASP GenAI Security Project. Top 10 for LLM Applications 2025. 2025.
- Microsoft Learn. Observability in generative AI. 2026.
- McKinsey & Company. The state of AI in 2025: Agents, innovation, and transformation. Novembro de 2025. Survey global; high performers correspondem a 6% dos respondentes.
- Ministério da Previdência Social. Apresentação: contribuintes; Ministério do Trabalho e Emprego. FGTS. Acessos em setembro de 2026.
- Robert Half. Guia Salarial 2026: Tecnologia, Especialista/Cientista de dados, Desenvolvedor Back-End Sênior, Gerente de Produto, Arquiteto de Software, DevOps e DevSecOps. Valores nacionais, percentil 50.
- Robert Half. Guia Salarial 2025: profissões em alta em Tecnologia e Carreiras quentes em 2025. Novembro de 2024.
- Brasscom. Plano Brasil Digital 2030. 2025, p. 36. O número é uma projeção ampla de lacuna até 2025, não contagem observada de vagas de IA em 2026.
- Kenneth J. Arrow. The Economic Implications of Learning by Doing. Review of Economic Studies, 1962.
- John C. Panzar e Robert D. Willig. Economies of Scope. American Economic Review, 1981.
- Stanford HAI. AI Index Report 2025. Abril de 2025. A queda de 280 vezes refere-se ao custo por milhão de tokens de um sistema com 64,8% no MMLU.
- Stanford HAI. AI Index Report 2026. 2026, capítulos Technical Performance e Research and Development.
- Cetic.br|NIC.br. TIC Empresas 2025, apresentação de resultados, pp. 24-29; nota metodológica e release. Coleta entre fevereiro de 2025 e janeiro de 2026; 4.174 empresas.
- BCG. How to Collaborate with Vendors to Maximize GenAI Impact. Janeiro de 2025. Pesquisa com 270 organizações em 15 setores.
- McKinsey & Company. The state of AI: How organizations are rewiring to capture value. Março de 2025; survey em julho de 2024, n=1.491. No subconjunto usuário de IA, talento técnico: 29% centralizado, 49% híbrido, 22% distribuído.
- BCG. The Widening AI Value Gap. Setembro de 2025. Estudo global n=1.250; os resultados referem-se à área de negócio conhecida pelo respondente e às áreas onde IA é aplicada.
- Project NANDA, MIT. The GenAI Divide: State of AI in Business 2025. Julho de 2025. Relatório não revisado por pares; metodologia reportada de entrevistas, survey e análise de iniciativas públicas.
Nota editorial: análise preparada em setembro de 2026. Valores monetários são nominais de 2026 e devem ser atualizados antes de uma decisão de contratação ou contratação de fornecedor.
