Maximizar o Retorno sobre o Investimento na Implementação de Inteligência Artificial em PMEs

Uma Revisão Sistemática da Literatura por Daniel da Costa, Janeiro de 2026

Sobre a AGENS

A AGENS é uma empresa de consultoria estratégica especializada em transformação digital e implementação de soluções de inteligência artificial para o mercado empresarial português. Com foco na humanização da tecnologia e na potencialização das capacidades humanas através da IA, a AGENS posiciona-se como parceira estratégica de empresas que procuram crescer de forma sustentável e inovadora.

Resumo do Relatório

A Inteligência Artificial tem vindo a ser cada vez mais adotada por Pequenas e Médias Empresas, porém muitas iniciativas não conseguem gerar um Retorno sobre o Investimento positivo, sobretudo em contextos com recursos limitados. Este estudo realiza uma revisão sistemática da literatura para identificar os fatores que influenciam a concretização de ROI em implementações de IA em PMEs. Utilizando uma metodologia baseada no PRISMA, a revisão sintetiza evidência sobre dimensões de valor, fatores críticos de sucesso, barreiras e facilitadores, bem como impactos organizacionais transversais e de sustentabilidade.

Os resultados indicam que um ROI positivo emerge de uma interação multidimensional entre ganhos de eficiência operacional, desenvolvimento do capital humano, capacidades de inovação e resultados orientados para a sustentabilidade, e não apenas da adoção tecnológica isolada. Verifica-se que as abordagens existentes de avaliação de ROI são fragmentadas e pouco adaptadas à realidade das PMEs. Para colmatar esta lacuna, o estudo propõe um enquadramento integrado e orientado a processos, que estrutura a tomada de decisão e a implementação de IA em fases sequenciais concebidas para aumentar a probabilidade de obtenção de ROI positivo. Os resultados sugerem ainda que o alinhamento com os Objetivos de Desenvolvimento Sustentável surge como um resultado secundário de implementações de IA bem concebidas. O estudo contribui para a teoria e para a prática ao reformular a forma como o ROI impulsionado por IA é entendido nas PMEs e ao fornecer orientações acionáveis para gestores e decisores políticos.

Palavras-chave
Inteligência Artificial, Pequenas e Médias Empresas, Retorno sobre o Investimento, Adoção Tecnológica, Revisão Sistemática da Literatura, Objetivos de Desenvolvimento Sustentável

Introdução

A Inteligência Artificial emergiu como um determinante crítico da vantagem competitiva em indústrias globais, sendo cada vez mais utilizada pelas organizações para otimizar operações e criar novas propostas de valor. No entanto, por detrás desta narrativa de promessa tecnológica, existe uma realidade contrastante: apesar da aceleração da adoção de IA, as taxas de sucesso permanecem surpreendentemente baixas (Ransbotham et al., 2020) [1]. Os estudos de Ransbotham et al. (2020) indicam que sete em cada dez empresas reportam impacto reduzido ou inexistente das iniciativas de IA, com muitos projetos a falharem na entrega do valor de negócio esperado.

Esta disparidade torna-se ainda mais evidente no contexto das Pequenas e Médias Empresas. Apesar de representarem 99% de todas as empresas na União Europeia e contribuírem com aproximadamente 56% do valor económico acrescentado total (European Commission, 2023) [2], as PMEs enfrentam barreiras desproporcionais na adoção de IA. Apenas 8% das PMEs europeias adotaram tecnologias de IA, em comparação com taxas significativamente mais elevadas nas grandes empresas (European Investment Bank, 2021) [3].

As implicações vão além do desempenho individual das empresas. À medida que as grandes corporações utilizam a IA para alcançar ganhos substanciais de eficiência operacional e aumento de receitas (McKinsey Global Institute, 2021) [4], as PMEs que não adotam estas tecnologias arriscam uma marginalização progressiva num mercado cada vez mais orientado pela IA. Esta dinâmica reforça um ciclo no qual as grandes empresas acumulam vantagens competitivas através da IA, enquanto PMEs com recursos limitados têm dificuldade em justificar os investimentos iniciais (Malik et al., 2021) [5], contribuindo para o aumento das assimetrias de poder de mercado.

No centro deste desafio está a medição e a concretização do Retorno sobre o Investimento. Enquanto as grandes empresas dispõem de recursos dedicados para gerir a complexidade da implementação de IA, as PMEs têm de abordar estes investimentos com maior cautela devido a restrições financeiras mais apertadas e a custos de oportunidade mais elevados. Ainda assim, a literatura que aborda a forma como as PMEs podem alcançar um ROI positivo através da implementação de IA permanece fragmentada, com os enquadramentos existentes a refletirem maioritariamente realidades de implementação em larga escala.

Esta lacuna tem consequências significativas. Na ausência de orientações baseadas em evidência para avaliar, implementar e medir iniciativas de IA, os gestores de PMEs enfrentam uma escolha binária: abdicar da adoção de IA e aceitar um declínio competitivo, ou avançar com a implementação sem suporte adequado, aumentando o risco de falhas dispendiosas.

A urgência deste desafio é ainda amplificada pelos rápidos avanços nas capacidades de IA. O surgimento da IA Generativa reduziu as barreiras técnicas à entrada, criando uma janela de oportunidade para que as PMEs ultrapassem desafios tradicionais de implementação (Brynjolfsson et al., 2023) [6]. Contudo, esta janela está a estreitar-se, uma vez que as grandes empresas estão a integrar rapidamente estas tecnologias e a estabelecer novas vantagens competitivas, aumentando o custo da adoção tardia para as PMEs.

Lacuna de Investigação e Contributo do Estudo

Apesar do reconhecimento crescente da importância estratégica da IA, uma síntese sistemática dos fatores associados à obtenção de ROI positivo em contextos de PMEs continua largamente ausente da literatura. Os estudos existentes focam-se predominantemente em implementações em grandes empresas, oferecendo transferibilidade limitada para ambientes com restrições de recursos. Esta revisão sistemática da literatura responde a esta lacuna ao consolidar evidência fragmentada num enquadramento baseado em evidência e adaptado às realidades de tomada de decisão das PMEs.

Neste sentido, o estudo tem como objetivo sintetizar os fatores críticos que influenciam o Retorno sobre o Investimento em implementações de Inteligência Artificial em Pequenas e Médias Empresas. Quatro questões de investigação orientam a análise. A primeira, “Quais são os fatores críticos que influenciam o ROI em implementações de IA em PMEs?”, analisa os determinantes que distinguem iniciativas bem-sucedidas de iniciativas falhadas. A segunda, “Que enquadramentos e metodologias existem para medir e avaliar o ROI de IA em contextos organizacionais com recursos limitados?”, revê as abordagens existentes e a sua aplicabilidade para além das grandes empresas. A terceira, “Que barreiras específicas das PMEs impedem a concretização de um ROI positivo e que facilitadores promovem resultados bem-sucedidos?”, investiga constrangimentos e condições facilitadoras próprias das PMEs. Por fim, a quarta, “Que práticas baseadas em evidência maximizam a probabilidade de sucesso na implementação de IA e de obtenção de ROI positivo em PMEs?”, traduz contributos académicos em orientações acionáveis para a tomada de decisão de gestão.

Estrutura do Artigo

O restante artigo encontra-se organizado da seguinte forma. A Secção 3 revê a literatura sobre a adoção de IA em PMEs, abordagens de medição de ROI e fatores-chave de sucesso. A Secção 4 descreve a metodologia de revisão sistemática da literatura baseada no PRISMA. A Secção 5 apresenta os resultados da revisão, incluindo as dimensões de valor identificadas, fatores de sucesso, bem como barreiras e facilitadores. A Secção 6 discute os resultados à luz das questões de investigação e introduz um enquadramento integrado para contextos de PMEs. A Secção 7 conclui com os principais contributos, implicações, limitações e direções para investigação futura.

Revisão de Literatura

Inteligência Artificial

A Inteligência Artificial (IA) pode ser definida como o estudo de agentes computacionais que recebem perceções do seu ambiente e executam ações (Russell & Norvig, 2020) [7]. Esta definição abrangente engloba tanto sistemas que replicam o pensamento humano como aqueles que operam segundo princípios de racionalidade ideal. Russell e Norvig (2020) [7] propõem uma taxonomia que organiza a investigação em IA ao longo de duas dimensões: (1) pensar versus agir e (2) humano versus racional, originando quatro paradigmas distintos que caracterizam a evolução histórica do campo.

Dentro da IA, o Machine Learning (ML) constitui um subcampo focado em algoritmos que melhoram automaticamente com a experiência, sem programação explícita para cada tarefa (Banh & Strobel, 2023) [8]. O Deep Learning (DL), por sua vez, representa uma especialização do ML baseada em redes neuronais artificiais com múltiplas camadas de abstração (Goodfellow et al., 2016) [9]. Esta hierarquia conceptual, em que a IA engloba o ML, que por sua vez engloba o DL, é fundamental para compreender as diferentes abordagens tecnológicas disponíveis para aplicações empresariais.

O aparecimento recente da Inteligência Artificial Generativa (GenAI) assinala uma transição paradigmática de tarefas discriminatórias para tarefas generativas. Banh e Strobel (2023) [8] definem a GenAI como sistemas capazes de produzir conteúdo novo e realista, como texto, imagens, código, música, entre outros, que reflete as características dos dados de treino sem os replicar diretamente. As arquiteturas subjacentes incluem Redes Generativas Adversariais (GANs), Autoencoders Variacionais (VAEs) e, mais recentemente, Modelos de Linguagem de Grande Dimensão (LLMs) baseados em transformers (Duan et al., 2019) [10].

Em contextos empresariais, a GenAI apresenta aplicações distintas das gerações anteriores de IA. Enquanto as estruturas tradicionais de ML se focam na otimização de processos existentes através de previsões, a GenAI permite a automatização de tarefas criativas, a geração de insights a partir de dados não estruturados e a personalização de conteúdos à escala (Duan et al., 2019) [10]. Esta capacidade de “criar”, em vez de apenas “analisar”, representa uma mudança qualitativa no potencial de valor da IA para as organizações.

Retorno sobre o Investimento: Enquadramento Conceptual

O Retorno sobre o Investimento (ROI) é uma métrica financeira que avalia o desempenho de um investimento através da medição do ganho líquido em relação ao custo. A fórmula básica, apresentada abaixo, é aparentemente simples, mas a sua aplicação a investimentos tecnológicos revela complexidades significativas (Botchkarev, 2011) [11].

ROI = (Ganho do Investimento − Custo do Investimento) / Custo do Investimento

Nos investimentos em sistemas de informação e tecnologia, a medição do ROI enfrenta três desafios conceptuais principais. Primeiro, a temporalidade: os benefícios tecnológicos manifestam-se frequentemente em horizontes temporais diferentes dos custos, criando assimetrias entre o investimento inicial e os retornos acumulados. Segundo, a atribuição: a dificuldade em isolar o impacto específico de uma tecnologia quando múltiplas variáveis organizacionais mudam em simultâneo. Terceiro, e mais crítico, a quantificação de intangíveis: benefícios como a melhoria da satisfação do cliente, a rapidez na tomada de decisão ou a capacidade de inovação são reais, mas resistem à monetização direta (Botchkarev, 2011) [11].

A distinção entre benefícios tangíveis e intangíveis não é meramente académica, tem implicações práticas substanciais. Botchkarev (2011) [11] demonstra, através de casos reais, que um ROI calculado apenas com benefícios tangíveis pode situar-se nos 108%, enquanto a inclusão de intangíveis estimados eleva o mesmo projeto para 563%. Esta diferença de ordem de grandeza sugere que análises de ROI puramente financeiras subestimam sistematicamente o valor dos investimentos tecnológicos. Este ponto é particularmente relevante na forma como as PMEs avaliam investimentos em IA.

A precisão das estimativas de ROI em projetos tecnológicos é, por si só, uma variável crítica. Botchkarev (2015) [12] demonstra, através de simulações de Monte Carlo, que erros relativamente modestos na estimativa de custos e benefícios (+10%) podem gerar imprecisões significativas no ROI calculado, colocando em causa a confiança excessiva em valores únicos de ROI sem intervalos de incerteza. Esta realidade é especialmente relevante para tecnologias emergentes como a IA, em que tanto os custos como os benefícios são menos previsíveis do que em investimentos tradicionais em TI.

Caracterização das Micro, Pequenas e Médias Empresas

A União Europeia define as Pequenas e Médias Empresas (PMEs) através da Recomendação 2003/361/CE com base em três critérios cumulativos: número de trabalhadores, volume de negócios anual e balanço total anual (European Commission, 2003) [13]. Especificamente, uma empresa é considerada PME se empregar menos de 250 pessoas e apresentar um volume de negócios anual não superior a 50 milhões de euros ou um balanço total não superior a 43 milhões de euros. Dentro desta categoria distinguem-se microempresas (menos de 10 trabalhadores, ≤2 milhões de euros), pequenas empresas (menos de 50 trabalhadores, ≤10 milhões de euros) e médias empresas (menos de 250 trabalhadores, ≤50 milhões de euros).

Para além dos limites quantitativos, a definição da UE incorpora o critério de independência: empresas associadas ou parceiras devem agregar os seus valores para determinar a categoria. Esta distinção é essencial, pois afeta o acesso a programas específicos de financiamento e apoio às PMEs.

As PMEs representam 99% de todas as empresas na UE e empregam cerca de dois terços da força de trabalho do setor privado (European Commission, 2003) [13], constituindo o motor da economia europeia. Contudo, as suas características organizacionais, como recursos limitados, estruturas de decisão menos formalizadas, acesso reduzido a capital e talento especializado, criam simultaneamente constrangimentos e vantagens específicas para a adoção tecnológica. Enquanto as grandes empresas beneficiam de economias de escala e capacidade de absorção de risco, as PMEs demonstram maior agilidade, ciclos de decisão mais rápidos e maior proximidade ao cliente. Esta dualidade é particularmente relevante no contexto da IA, onde o investimento inicial pode ser significativo, mas os benefícios da personalização e da adaptação rápida são substanciais.

Integração Teórica e Lacuna de Investigação

A interseção entre IA, ROI e PMEs constitui um espaço de investigação ainda fragmentado. Embora a literatura sobre IA em grandes organizações seja abundante, e existam enquadramentos genéricos de ROI para tecnologia, continuam a faltar sínteses sistemáticas que abordem especificamente como medir o ROI de implementações de IA em contextos com restrições de recursos, quais os fatores que determinam o sucesso ou o fracasso dessas implementações em PMEs e que práticas baseadas em evidência podem orientar decisores de PMEs perante a promessa e a complexidade da IA.

A metodologia PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) oferece um protocolo rigoroso para conduzir esta síntese de forma transparente e replicável, permitindo identificar, avaliar e sintetizar toda a evidência relevante disponível. Esta revisão sistemática da literatura procura colmatar esta lacuna através de uma pesquisa abrangente que cobre enquadramentos de ROI, fatores críticos de sucesso, barreiras e facilitadores específicos das PMEs e boas práticas validadas empiricamente.

Metodologia de Estudo

Desenho da Investigação

Esta revisão sistemática da literatura seguiu as orientações PRISMA 2020 Preferred Reporting Items for Systematic Reviews and Meta Analyses Page et al., 2021 [14], com o objetivo de garantir transparência, replicabilidade e rigor metodológico. O enquadramento PRISMA fornece uma abordagem padronizada para identificar, selecionar e sintetizar literatura científica, reduzindo enviesamentos e assegurando uma cobertura abrangente dos estudos relevantes.

Foi adotada uma estratégia de pesquisa com recurso a uma única base de dados, utilizando a Scopus Elsevier como principal fonte de informação. Esta opção foi justificada por vários fatores. Em primeiro lugar, a Scopus oferece uma cobertura multidisciplinar que abrange áreas essenciais para o âmbito deste estudo, como gestão, negócios, ciência de computação e engenharia. Em segundo lugar, apresenta uma indexação robusta de literatura recente, particularmente relevante tendo em conta o caráter emergente das tecnologias de inteligência artificial generativa e o foco em implementações contemporâneas no período entre 2020 e 2024. Por fim, constrangimentos práticos associados ao calendário da revisão exigiram uma abordagem mais focada, privilegiando profundidade em detrimento de amplitude. Embora a utilização de uma única base de dados constitua uma potencial limitação em termos de exaustividade, o recorte temático e a construção cuidada da string de pesquisa foram desenhados para maximizar a recuperação de literatura relevante dentro do vasto repositório da Scopus.

Fontes de Informação e Estratégia de Pesquisa

A pesquisa sistemática foi realizada a 2 de dezembro de 2024, recorrendo à base de dados Scopus. A estratégia de pesquisa utilizou uma lógica booleana que combinou três grupos conceptuais: tecnologias de IA, medição de valor para o negócio e contexto das PMEs. A string completa aplicada a títulos, resumos e palavras-chave encontra-se representada na Figura 1. 

A pesquisa foi limitada a publicações a partir de 2020, de forma a captar desenvolvimentos recentes na implementação de IA, em particular o surgimento da IA generativa. O idioma foi restringido ao inglês para garantir uma interpretação e análise rigorosas. Os tipos de documentos incluídos foram artigos de revistas científicas com revisão por pares e atas de conferências. A pesquisa inicial resultou em 244 registos na Scopus.

Os estudos foram incluídos se cumprissem cumulativamente os seguintes critérios:

1. abordassem a implementação de IA ou machine learning em contextos organizacionais, e não apenas o desenvolvimento teórico de algoritmos;
2. discutissem ou medissem explicitamente valor para o negócio, ROI, desempenho financeiro ou resultados operacionais decorrentes da adoção de IA;
3. tivessem como foco as pequenas e médias empresas enquanto população de estudo, ou apresentassem resultados claramente transferíveis para contextos de PMEs.

Processo de Seleção dos Estudos

O processo de seleção seguiu as orientações PRISMA e decorreu em várias fases. Na fase de identificação, a pesquisa na Scopus originou 244 registos. Antes da triagem formal, foram aplicados filtros de elegibilidade para assegurar requisitos mínimos de qualidade e acessibilidade, resultando na passagem de 60 registos para avaliação detalhada. Estes filtros excluíram publicações sem qualquer citação, artigos cujo texto integral não estava disponível através de acesso institucional e um pequeno número de registos incorretamente indexados como anteriores a 2020, apesar dos parâmetros da pesquisa.

A fase de triagem envolveu a análise sistemática de títulos e resumos dos 56 registos à luz dos critérios de elegibilidade. Cada registo foi avaliado de forma independente quanto à sua relevância para as questões de investigação. Os estudos que não cumpriam um ou mais critérios de inclusão foram excluídos, com a respetiva justificação documentada. Este processo conduziu à exclusão de 40 estudos: 23 não apresentavam foco suficiente na implementação de IA, abordando digitalização genérica, computação em cloud ou analytics sem tecnologias de IA específicas; 7 não tratavam adequadamente o contexto das PMEs nem apresentavam conclusões transferíveis; 5 não discutiam valor para o negócio, ROI ou resultados de desempenho; e 5 foram excluídos por outros motivos, nomeadamente por estarem excessivamente focados em domínios de conhecimento muito específicos e pouco relevantes para o estudo. Os 16 estudos remanescentes cumpriram todos os critérios de elegibilidade e foram incluídos na síntese final. A Figura 2 apresenta o diagrama PRISMA completo que documenta o processo de seleção. O corpus final de 16 estudos, embora aparentemente reduzido em termos absolutos, reflete a interseção altamente específica de três domínios distintos. 

Todos os estudos incluídos foram publicados em revistas ou conferências indexadas, sujeitos a revisão por pares, e apresentaram detalhe metodológico suficiente para avaliar a sua credibilidade e relevância. Esta abordagem está alinhada com metodologias pragmáticas de revisões sistemáticas, reconhecendo que a avaliação de qualidade em investigação interdisciplinar nas áreas de negócios e tecnologia coloca desafios específicos quando comparada com domínios clínicos ou experimentais.

Identificação Adicional de Artigos

Para garantir uma cobertura abrangente, foi realizada uma análise retrospetiva das referências backward citation searching snowballing dos 16 artigos inicialmente incluídos a partir da pesquisa em base de dados. As referências foram avaliadas com base nos mesmos critérios de elegibilidade definidos para a pesquisa sistemática. Esta abordagem complementar permitiu identificar mais 7 artigos relevantes que cumpriam todos os critérios de inclusão, resultando num corpus final de 23 artigos para análise.

Resultados

Perfil Descritivo dos Estudos Selecionados

O corpus final de estudos incluídos nesta revisão é composto por investigações empíricas, revisões sistemáticas da literatura e estudos de validação aplicada que analisam a adoção de Inteligência Artificial em Pequenas e Médias Empresas em diferentes contextos económicos. A literatura analisada abrange PMEs a operar tanto em economias desenvolvidas como em economias em desenvolvimento, incluindo a União Europeia, o Sul da Ásia, o Médio Oriente e a África Subsaariana, refletindo a relevância global da adoção de IA em contextos institucionais e de recursos bastante heterogéneos (Takawira & Pooe, 2025; Wilczynska et al., 2024; Soomro et al., 2024) [15][16][17].

Do ponto de vista metodológico, os estudos selecionados recorrem maioritariamente a abordagens quantitativas, incluindo Modelos de Equações Estruturais e técnicas híbridas SEM–ANN, complementadas por análises qualitativas e revisões sistemáticas. Em termos tecnológicos, o corpus cobre um leque alargado de aplicações de IA, incluindo sistemas de IA generativa, marketing digital assistido por IA, soluções de tecnologia financeira, sistemas de apoio ao trabalhador e implementações associadas à Indústria 4.0 e 5.0 (Basri, 2020; Konur et al., 2023; Bahaw et al., 2025) [18][19][20].

Esta diversidade oferece uma base empírica suficientemente robusta e heterogénea para analisar de que forma a criação de valor, a concretização de ROI, os fatores de sucesso e os impactos organizacionais mais amplos da IA se manifestam em contextos de PMEs.

Dimensões de Valor e ROI Identificadas nas Implementações de IA

Ao longo da literatura revista, o ROI em implementações de IA raramente é conceptualizado como um constructo exclusivamente financeiro. Embora o desempenho financeiro continue a ser central, a evidência aponta de forma consistente para o facto de as PMEs extraírem valor da IA através de dimensões interligadas de natureza financeira, operacional, centrada no cliente e estratégica.

Valor Financeiro e Operacional

Os benefícios financeiros e operacionais diretos constituem a dimensão mais imediatamente observável do ROI associado à IA. Vários estudos empíricos indicam que a adoção de IA aumenta a produtividade, reduz custos operacionais e melhora a eficiência global. Evidência quantitativa demonstra que o acesso a ferramentas de IA pode aumentar a produtividade individual em cerca de 14%, com ganhos desproporcionalmente mais elevados entre trabalhadores menos experientes, evidenciando o papel da IA como equalizador de produtividade nas PMEs (Brynjolfsson et al., 2023) [7].

Ao nível organizacional, a automação e a analítica suportadas por IA contribuem para reduções significativas de custos em funções-chave do negócio, incluindo atendimento ao cliente (Basri, 2020) [18], gestão da cadeia de abastecimento (Enshassi et al., 2024) [21], finanças (Soomro et al., 2024) [16] e recursos humanos (Soomro et al., 2025) [22]. Estes ganhos de eficiência estão frequentemente associados a melhorias na rentabilidade e no crescimento do negócio, em particular em contextos de marketing digital assistido por IA, onde a maioria das PMEs reporta impactos positivos no desempenho após a adoção (Basri, 2020) [18].

Valor Centrado no Cliente

Para além da eficiência operacional, a IA cria valor ao transformar a forma como as empresas interagem com os clientes. A literatura destaca a capacidade da IA para permitir personalização à escala, melhorar a rapidez de resposta e suportar um envolvimento contínuo com o cliente. Ferramentas baseadas em IA, como chatbots, sistemas de recomendação e analítica preditiva, aumentam a satisfação e a retenção de clientes ao proporcionarem interações mais rápidas, relevantes e consistentes (Enshassi et al., 2024; Magableh et al., 2024) [21][23].

Os resultados empíricos associam de forma consistente a adoção de IA a melhorias na gestão do relacionamento com o cliente e a estratégias de marketing mais eficazes, reforçando o papel do valor centrado no cliente como um contributo indireto, mas crítico, para o ROI nas PMEs.

Valor Estratégico e de Inovação

Um tema recorrente na literatura é o valor estratégico da IA enquanto facilitador da inovação e da diferenciação competitiva. As PMEs tendem a utilizar a IA não apenas para otimizar processos existentes, mas também para explorar novos produtos, serviços e modelos de negócio (Costa-Climent et al., 2023) [24]. Esta utilização exploratória é facilitada pela maior agilidade organizacional e pelos níveis mais baixos de inércia estrutural das PMEs quando comparadas com grandes empresas (Grashof & Kopka, 2022; Wilczynska et al., 2024) [25][16].

A IA é conceptualizada simultaneamente como uma Tecnologia de Uso Geral e como uma Invenção do Método de Invenção (Grashof & Kopka, 2022) [25], permitindo a recombinação de conhecimento e suportando trajetórias de inovação radical (Machucho & Ortiz, 2025) [26]. Ao reforçar capacidades de sensing, seizing e transforming, a adoção de IA fortalece as capacidades dinâmicas e a resiliência das PMEs (Soomro et al., 2024) [17], sobretudo em ambientes voláteis e propensos a crises (Gouveia et al., 2024) [27].

Fatores Críticos de Sucesso Associados a Resultados de ROI Positivo

A literatura é clara ao indicar que um ROI positivo resultante da implementação de IA não decorre apenas da aquisição de tecnologia. O sucesso depende da interação entre fatores tecnológicos, organizacionais e ambientais que funcionam como um sistema integrado.

Fatores Tecnológicos

A qualidade dos dados e a sua gestão surgem de forma consistente como requisitos fundamentais para o sucesso da IA. Como referido por Duan et al. (2019) [10], dados de fraca qualidade comprometem significativamente o desempenho dos sistemas de IA e podem conduzir a perdas de receita relevantes, tornando a governação de dados um determinante crítico do ROI. A compatibilidade entre soluções de IA e os sistemas, processos e práticas de trabalho existentes revela-se igualmente decisiva para a adoção e utilização eficaz (Ahani et al., 2017) [28].

A perceção de vantagem relativa, utilidade e facilidade de utilização influencia fortemente as intenções de adoção, em linha com o Modelo de Aceitação da Tecnologia e as suas extensões (Gupta, 2024) [29]. As PMEs têm maior probabilidade de obter resultados positivos quando os sistemas de IA estão claramente alinhados com as tarefas de negócio e impõem um esforço cognitivo e operacional reduzido aos utilizadores (Venkatesh & Bala, 2008) [30].

Fatores Organizacionais e Estratégicos

A prontidão organizacional assume um papel central na determinação do ROI impulsionado por IA (Müller et al., 2018) [31]. O apoio da gestão de topo é repetidamente identificado como essencial para a alocação de recursos, o alinhamento estratégico e a gestão da mudança (Enshassi et al., 2025) [32]. Iniciativas de IA explicitamente ligadas à estratégia organizacional e suportadas por métricas de desempenho claras tendem a gerar valor de forma mais sustentada.

A colaboração humano–IA emerge como um fator crítico de sucesso. Os estudos alertam que implementações focadas exclusivamente na substituição de trabalho humano tendem a gerar ganhos de curto prazo (Duan et al., 2019) [10], enquanto maior valor é alcançado quando a IA complementa capacidades humanas e facilita a difusão de conhecimento dentro da organização (Brynjolfsson et al., 2023) [7].

Processos de implementação estruturados influenciam igualmente os resultados (Tornatzky & Fleischer, 1990) [33]. A inovação é entendida como um processo contínuo e não como um evento isolado, exigindo adaptação iterativa, aprendizagem e integração organizacional (Konur et al., 2023) [19].

Fatores Externos e de Ecossistema

As condições externas afetam de forma significativa a capacidade das PMEs para concretizar ROI a partir da IA. O apoio governamental e de incubadoras empresariais (Takawira & Pooe, 2025) [15], o financiamento direcionado e políticas de inovação ajudam a mitigar constrangimentos financeiros e riscos de adoção (Wilczynska et al., 2024) [16]. A participação em redes colaborativas envolvendo universidades, fornecedores tecnológicos e empresas pares facilita a partilha de conhecimento e o desenvolvimento de capacidades, enquanto a influência social em redes profissionais reduz a perceção de risco e acelera a adoção (Gupta, 2024) [29].

Barreiras Específicas das PMEs e Condições Facilitadoras na Concretização do ROI

Apesar do potencial demonstrado da IA, as PMEs enfrentam um conjunto específico de barreiras que pode comprometer a implementação bem-sucedida e a concretização de ROI.

As restrições financeiras surgem como a barreira mais frequentemente referida (Takawira & Pooe, 2025) [15], incluindo elevados custos iniciais de investimento, acesso limitado a crédito e níveis reduzidos de literacia financeira por parte dos empreendedores (Enshassi et al., 2025) [32]. A escassez de competências agrava estes desafios, uma vez que as PMEs têm dificuldade em atrair e reter talento qualificado em IA, ao mesmo tempo que carecem de capacidade interna para formação (Bründl et al., 2025) [34].

Os desafios relacionados com os dados constituem outro obstáculo crítico. Muitas PMEs não dispõem da infraestrutura necessária para recolher, gerir e proteger dados de elevada qualidade, limitando a eficácia da IA e aumentando o risco de implementação (Dwivedi et al., 2021; Machucho & Ortiz, 2025) [35][26]. Barreiras organizacionais e culturais, como resistência à mudança, fragilidades na liderança e aversão ao risco, superam frequentemente constrangimentos puramente técnicos ou financeiros (Enshassi et al., 2025) [32].

Em contrapartida, são identificadas várias condições facilitadoras. Soluções de IA baseadas em cloud e no modelo AI as a Service reduzem os requisitos de investimento inicial e permitem o acesso a capacidades avançadas a custos mais baixos (Costa-Climent et al., 2023) [24]. Parcerias estratégicas com universidades e fornecedores tecnológicos ajudam a colmatar lacunas de competências (Konur et al., 2023) [19], enquanto abordagens de implementação faseada, focadas em quick wins operacionais, geram ROI inicial e constroem momentum interno (Müller et al., 2018) [31].

Impactos Transversais para Além do ROI Financeiro

Uma avaliação abrangente dos impactos da IA nas PMEs exige a consideração de resultados que vão para além do ROI financeiro. A literatura revista identifica de forma consistente efeitos organizacionais, humanos e orientados para a sustentabilidade que contribuem para a criação de valor de longo prazo e apresentam um alinhamento claro com Objetivos de Desenvolvimento Sustentável específicos.

Ao nível organizacional, a IA melhora a qualidade da tomada de decisão através de insights baseados em dados e analítica preditiva (Duan et al., 2019) [10], reforçando a capacidade de inovação e adaptação das PMEs (Gouveia et al., 2024) [27]. Estes resultados estão alinhados com o ODS 9 Indústria Inovação e Infraestruturas, ao apoiar a inovação inclusiva e o fortalecimento das capacidades produtivas.

Do ponto de vista humano, a IA atua como uma ferramenta de amplificação de capacidades. A IA generativa beneficia de forma desproporcional trabalhadores menos experientes ao incorporar boas práticas e acelerar o desenvolvimento de competências, contribuindo para o upskilling da força de trabalho e para estruturas de emprego mais resilientes (Bahaw et al., 2025) [20]. Estes efeitos alinham-se com o ODS 4 Educação de Qualidade e o ODS 8 Trabalho Digno e Crescimento Económico. Em simultâneo, a literatura alerta para riscos associados à substituição de postos de trabalho, enviesamentos e falta de transparência, reforçando a necessidade de implementações responsáveis que salvaguardem condições de trabalho dignas (Storey et al., 2025) [36].

Por fim, a adoção de IA gera impactos orientados para a sustentabilidade ao permitir a otimização de recursos, a redução de desperdícios e a melhoria da monitorização ambiental, contribuindo para padrões de produção mais responsáveis (Soomro et al., 2024) [17]. O reforço do envolvimento com clientes e comunidades contribui ainda para a criação de valor social e para a legitimidade das PMEs (Magableh et al., 2024) [23]. Estes impactos alinham-se sobretudo com o ODS 12 Consumo e Produção Responsáveis e o ODS 13 Ação Climática.

Para consolidar estes resultados e fornecer uma visão estruturada, a Figura 3 sintetiza os impactos identificados na literatura, estabelecendo uma correspondência explícita entre cada resultado impulsionado pela IA em PMEs e os respetivos Objetivos de Desenvolvimento Sustentável. Esta síntese clarifica de que forma os efeitos organizacionais, humanos e orientados para a sustentabilidade reportados nos diferentes estudos se traduzem em alinhamentos concretos com os ODS, mantendo simultaneamente uma abordagem baseada em evidência e não prescritiva.

Discussão

Este estudo reformula o conceito de Retorno sobre o Investimento em implementações de Inteligência Artificial em PMEs, enquadrando-o como um constructo multidimensional e não como uma métrica exclusivamente financeira. Os resultados mostram que, em contextos de PMEs, um ROI positivo resulta da interação entre ganhos de eficiência operacional, desenvolvimento do capital humano, capacidade de inovação e resultados orientados para a sustentabilidade. Esta constatação desafia abordagens de avaliação estritamente financeiras e reforça a necessidade de enquadramentos de avaliação de valor mais amplos, ajustados a organizações com recursos limitados.

Em resposta à RQ1, “Quais são os fatores críticos que influenciam o ROI em implementações de IA em PMEs?”, os resultados indicam que o ROI positivo é impulsionado sobretudo por uma combinação de prontidão tecnológica, alinhamento organizacional e suporte do ecossistema externo. A qualidade dos dados, a compatibilidade, a utilidade percebida e a facilidade de utilização são condições necessárias, mas insuficientes por si só; o compromisso da liderança, o envolvimento dos colaboradores e processos de implementação estruturados revelam-se igualmente determinantes.

Relativamente à RQ2, “Que enquadramentos e metodologias existem para medir e avaliar o ROI da IA em contextos organizacionais com recursos limitados?”, a análise demonstra que as abordagens existentes são fragmentadas e, em grande medida, adaptadas de contextos genéricos de TI ou de grandes empresas. Modelos como o TAM e o TOE explicam eficazmente as dinâmicas de adoção, mas falham em capturar os mecanismos sequenciais de decisão, implementação e reforço necessários para a concretização do ROI em PMEs.

No que diz respeito à RQ3, “Que barreiras específicas das PMEs impedem a concretização de um ROI positivo e que facilitadores promovem resultados bem-sucedidos?”, os resultados evidenciam que as barreiras são predominantemente estruturais e centradas nas pessoas, mais do que puramente técnicas. Restrições financeiras, escassez de competências, limitações ao nível dos dados e resistência à mudança sobrepõem-se de forma consistente aos desafios tecnológicos. Em contrapartida, condições facilitadoras como a implementação faseada, soluções de IA baseadas em cloud, parcerias estratégicas e apoio de políticas públicas reduzem significativamente o risco de adoção.

Por fim, a RQ4, “Que práticas baseadas em evidência maximizam a probabilidade de sucesso na implementação de IA e de obtenção de ROI positivo em PMEs?”, destaca que a priorização de casos de uso operacionais, a adoção de uma lógica de complementaridade humano–IA, o investimento mínimo em governação de dados e a incorporação de mecanismos de aprendizagem contínua são práticas-chave para reduzir a incerteza e aumentar a probabilidade de criação de valor sustentado.

Enquadramento Integrado e Contributos

Com base nestes resultados, o estudo propõe um enquadramento integrado e orientado a processos (Figura 4), concebido para maximizar a probabilidade de obtenção de ROI positivo em implementações de IA em PMEs. Ao contrário de modelos existentes que se focam isoladamente na adoção ou no desempenho, este enquadramento liga prontidão estratégica, seleção de casos de uso, implementação faseada e medição de ROI numa lógica de decisão coerente e adaptada às restrições das PMEs. 

Do ponto de vista teórico, o trabalho contribui para a literatura sobre adoção tecnológica e inovação ao relacionar a adoção de IA com a concretização de ROI, e não apenas com a adoção em si. Do ponto de vista prático, fornece aos gestores de PMEs e decisores políticos uma abordagem estruturada para reduzir o risco de implementação, ao mesmo tempo que gera valor económico, humano e orientado para a sustentabilidade. De forma relevante, os resultados sugerem que o alinhamento com os Objetivos de Desenvolvimento Sustentável surge como um efeito secundário de implementações de IA bem desenhadas, e não como um objetivo primário de adoção.

Conclusão

Este estudo analisou de que forma as Pequenas e Médias Empresas podem alcançar um Retorno sobre o Investimento positivo a partir da implementação de Inteligência Artificial em contextos de restrição de recursos. Através de uma revisão sistemática da literatura, os resultados demonstram que, em PMEs, o ROI não resulta da simples adoção de IA, mas sim da interação coordenada entre prontidão organizacional, seleção adequada de casos de uso, implementação faseada e mecanismos contínuos de medição e aprendizagem. Com base nesta síntese, o estudo propõe um enquadramento orientado a processos que estrutura a tomada de decisão e a implementação de IA de forma a aumentar a probabilidade de obtenção de ROI positivo. O alinhamento com os Objetivos de Desenvolvimento Sustentável surge como um resultado secundário de implementações de IA bem desenhadas e centradas nas pessoas, e não como um objetivo primário de adoção.

Para além de consolidar o conhecimento existente, este trabalho identifica várias direções críticas para investigação futura. Em primeiro lugar, é essencial a validação empírica de enquadramentos de IA orientados para o ROI em contextos reais de PMEs, em particular através de estudos longitudinais capazes de captar efeitos de valor diferidos e cumulativos. Em segundo lugar, futuras investigações deverão explorar de que forma diferentes tipos de casos de uso de IA, operacionais, analíticos e generativos, produzem trajetórias de ROI distintas ao longo do tempo. Em terceiro lugar, é necessária maior atenção a abordagens de medição que integrem dimensões financeiras e não financeiras do ROI, incluindo o desenvolvimento do capital humano e resultados associados à sustentabilidade. Por fim, a investigação deverá analisar como instrumentos de política pública, mecanismos de financiamento e apoios ao nível do ecossistema influenciam a eficácia e a escalabilidade de enquadramentos de IA orientados para o ROI em PMEs.

Ao deslocar o foco da questão de saber se as PMEs devem adotar IA para a forma como as implementações de IA podem ser sistematicamente concebidas para gerar retornos sustentáveis, este estudo estabelece uma base sólida para uma agenda de investigação mais madura e orientada para o impacto no domínio da IA e do ROI em contextos de PMEs.

Referências

[1] Ransbotham, S., Khodabandeh, S., Fehling, R., LaFountain, B., & Kiron, D. (2019). Winning With AI: Pioneers Combine Strategy, Organizational Behavior, and Technology. MIT Sloan Management Review and Boston Consulting Group.

[2] European Commission. (2023). Annual report on European SMEs 2022/2023. Brussels: European Commission.

[3] European Investment Bank. (2021). Digitalisation in Europe 2020-2021: Evidence from the EIB Investment Survey. European Investment Bank.

‌[4] McKinsey Global Institute. (2021). The state of AI in 2021. New York: McKinsey & Company.

[5] Malik, M. R., & Chakraborty, A. (2021). Gig Economy and Artificial Intelligence. Empirical Economics Letters, 20(Special Issue 2), 25–30. 

[6] Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). Generative AI at Work (Working Paper 31161). National Bureau of Economic Research. http://www.nber.org/papers/w31161

[7] Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4.ª ed. Global). Pearson.

[8] Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33, 63. https://doi.org/10.1007/s12525-023-00680-1 

[9] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

[10] Duan, Y., Edwards, J. S., & Dwivedi, Y. K. (2019). Artificial intelligence for decision making in the era of Big Data – evolution, challenges and research agenda. International Journal of Information Management, 48, 63–71. https://doi.org/10.1016/j.ijinfomgt.2019.01.021 

[11] Botchkarev, A., & Andru, P. (2011). A Return on Investment as a Metric for Evaluating Information Systems: Taxonomy and Application. Interdisciplinary Journal of Information, Knowledge, and Management, 6, 245–269. http://www.ijikm.org/Volume6/IJIKMv6p245-269Botchkarev566.pdf 

[12] Botchkarev, A. (2015). Estimating the Accuracy of the Return on Investment (ROI) Performance Evaluations. Interdisciplinary Journal of Information, Knowledge, and Management, 10, 217–233. https://doi.org/10.28945/2338 

[13] European Commission. (2003). Commission Recommendation 2003/361/EC of 6 May 2003 concerning the definition of micro, small and medium-sized enterprises. Official Journal of the European Union, L 124, 36–41.

[14] Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71

[15] Takawira, B., & Pooe, D. (2025). SME readiness for Industry 5.0: A systematic literature review. Southern African Journal of Entrepreneurship and Small Business Management, 17(1), a946. https://doi.org/10.4102/sajesbm.v17i1.946 

[16] Wilczynska, M., Walenia, A., Dabek, A., Salabura, D., & Kot, H. (2024). Potential Impact of Artificial Intelligence on Small and Medium Enterprises Innovation in the EU: A Perspective from Poland. Markets, Globalization & Development Review, 9(2), Article 2. https://doi.org/10.23860/MGDR-2024-09-02-02 

[17] Soomro, R. B., Memon, S. G., Dahri, N. A., Al-Rahmi, W. M., Aldriwish, K., Salameh, A. A., Al-Adwan, A. S., & Saleem, A. (2024). The Adoption of Digital Technologies by Small and Medium-Sized Enterprises for Sustainability and Value Creation in Pakistan: The Application of a Two-Staged Hybrid SEM-ANN Approach. Sustainability, 16(17), 7351. https://doi.org/10.3390/su16177351 

[18] Basri, W. (2020). Examining the Impact of Artificial Intelligence (AI)-Assisted Social Media Marketing on the Performance of Small and Medium Enterprises: Toward Effective Business Management in the Saudi Arabian Context. International Journal of Computational Intelligence Systems, 13(1), 142–152. https://doi.org/10.2991/ijcis.d.200127.002 

[19] Konur, S., Lan, Y., Thakker, D., Morkyani, G., Polovina, N., & Sharp, J. (2023). Towards design and implementation of Industry 4.0 for food manufacturing. Neural Computing and Applications, 35, 23753–23765. https://doi.org/10.1007/s00521-021-05726-z 

[20] Bahaw, P., Forgenie, D., Sadiq, G., & Sookhai, S. (2025). Generative AI for business sustainability: Examining usability, usefulness, and triple bottom line impacts in small and medium enterprises. Sustainable Futures, 10, 100815. https://doi.org/10.1016/j.sftr.2025.100815 

[21] Enshassi, M., Nathan, R. J., Soekmawati, Al-Mulali, U., & Ismail, H. (2024). Potentials of artificial intelligence in digital marketing and financial technology for small and medium enterprises. IAES International Journal of Artificial Intelligence, 13(1), 639–647. https://doi.org/10.11591/ijai.v13.i1.pp639-647 

[22] Soomro, R. B. et al. (2025). A SEM–ANN analysis to examine impact of artificial intelligence technologies on sustainable performance of SMEs. Scientific Reports (Online). https://doi.org/10.1038/s41598-025-86464-3  

[23] Magableh, I. K., Mahrouq, M. H., Ta’Amnha, M. A., & Riyadh, H. A. (2024). The Role of Marketing Artificial Intelligence in Enhancing Sustainable Financial Performance of Medium-Sized Enterprises Through Customer Engagement and Data-Driven Decision-Making. Sustainability, 16(24), 11279. https://doi.org/10.3390/su162411279 

[24] Costa-Climent, R., Haftor, D. M., & Staniewski, M. W. (2023). Using machine learning to create and capture value in the business models of small and medium-sized enterprises. International Journal of Information Management, 73, 102637. https://doi.org/10.1016/j.ijinfomgt.2023.102637 

[25] Grashof, N., & Kopka, A. (2022). Artificial intelligence and radical innovation: an opportunity for all companies? Small Business Economics, 61, 771–797. https://doi.org/10.1007/s11187-022-00698-3 

[26] Machucho, R., & Ortiz, D. (2025). The Impacts of Artificial Intelligence on Business Innovation: A Comprehensive Review of Applications, Organizational Challenges, and Ethical Considerations. Systems, 13(4), 264. https://doi.org/10.3390/systems13040264 

[27] Gouveia, S., de la Iglesia, D. H., Abrantes, J. L., & López Rivero, A. J. (2024). Transforming Strategy and Value Creation Through Digitalization? Administrative Sciences, 14(11), 307. https://doi.org/10.3390/admsci14110307 

[28] Ahani, A., Rahim, N. Z. A., & Nilashi, M. (2017). Forecasting social CRM adoption in SMEs: A combined SEM-neural network method. Computers in Human Behavior, 75, 560–578. https://doi.org/10.1016/j.chb.2017.05.032 

[29] Gupta, V. (2024). An Empirical Evaluation of a Generative Artificial Intelligence Technology Adoption Model from Entrepreneurs’ Perspectives. Systems, 12(3), 103. https://doi.org/10.3390/systems12030103 

[30] Venkatesh, V., & Bala, H. (2008). Technology Acceptance Model 3 and a Research Agenda on Interventions. Decision Sciences, 39(2), 273–315. https://doi.org/10.1111/j.1540-5915.2008.00192.x 

[31] Müller, J. M., Kiel, D., & Voigt, K.-I. (2018). What Drives the Implementation of Industry 4.0? The Role of Opportunities and Challenges in the Context of Sustainability. Sustainability, 10(1), 247. https://doi.org/10.3390/su10010247 

[32] Enshassi, M., Nathan, R. J., Soekmawati, & Ismail, H. (2025). Unveiling barriers and drivers of AI adoption for digital marketing in Malaysian SMEs. Journal of Open Innovation: Technology, Market, and Complexity, 11(1), 100519. https://doi.org/10.1016/j.joitmc.2025.100519 

[33] Tornatzky, L. G., & Fleischer, M. (1990). The processes of technological innovation. Lexington Books.

[34] Bründl, P., Wegener, C., Stoidner, M., Bayer, J., Scheffler, B., Nguyen, H. G., & Franke, J. (2025). Designing worker assistance systems–Methodology development and industrial validation. Journal of Manufacturing Systems, 80, 272–293. https://doi.org/10.1016/j.jmsy.2025.02.022 

[35] Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., … & Williams, M. D. (2021). Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management, 57, 101994. https://doi.org/10.1016/j.ijinfomgt.2019.08.002 

[36] Storey, V. C., Yue, W. T., Zhao, J. L., & Lukyanenko, R. (2025). Generative Artificial Intelligence: Evolving Technology, Growing Societal Impact, and Opportunities for Information Systems Research. Information Systems Frontiers. https://doi.org/10.1007/s10796-025-10581-7  

Próximo AGENS AI Barometer: Abril 2026

Para mais informações sobre consultoria estratégica em IA e transformação digital humanizada, contacte a AGENS.