A IA ganhou velocidade antes de ganhar critério: a linha do tempo do erro em escala

Pesquisas e um experimento com programadores mostram quando o ganho de produtividade deixa de ser avanço e vira volume sem controle.

01/11/2026 - 03:33

0 1

A IA ganhou velocidade antes de ganhar critério: a linha do tempo do erro em escala

A inteligência artificial chegou ao trabalho com uma vantagem concreta: ela reduz o tempo necessário para executar tarefas. O problema aparece quando a empresa confunde velocidade com decisão. A sequência dos estudos publicados desde 2023 mostra uma mudança precisa: primeiro, a ferramenta aumentou o volume produzido; depois, os dados revelaram que o ganho não alcança todas as funções; por fim, as pesquisas passaram a apontar que o retorno depende do redesenho do trabalho e da revisão humana. Para o pequeno negócio, a conclusão é direta: automatizar uma rotina sem definir o que será considerado um bom resultado pode fazer o erro circular mais rápido que a correção.

Setembro de 2023: o código passou a sair mais rápido, mas o ganho não veio igual para todos

Em setembro de 2023, a Ant Group colocou o CodeFuse em um teste inicial com equipes de programação. O modelo de linguagem foi oferecido a um grupo de desenvolvedores, enquanto profissionais comparáveis permaneceram sem acesso à ferramenta. A diferença criou uma situação útil para medir o efeito da IA no trabalho real, em vez de depender só da percepção de quem usou o sistema.

O estudo foi conduzido por Leonardo Gambacorta, Han Qiu, Shuo Shan e Daniel Rees e publicado pelo Bank for International Settlements. O grupo que usou o CodeFuse produziu 55% mais linhas de código, em média. Aproximadamente um terço desse aumento veio diretamente das linhas geradas pelo modelo. O restante foi associado ao tempo liberado para outras tarefas de programação. A produtividade medida por tarefas concluídas também subiu, em cerca de 22% segundo a versão do estudo que avaliou medidas alternativas ao volume de código.

O resultado parece uma defesa simples da adoção, porém a parte mais útil está na diferença entre os trabalhadores. O efeito foi estatisticamente significativo principalmente entre profissionais iniciantes ou juniores. Entre os programadores mais experientes, o impacto foi menor. A explicação apresentada no estudo foi o uso menos frequente do recurso por esse grupo, e não uma incapacidade técnica do modelo.

Esse detalhe muda a pergunta do dono de negócio. O ponto não é saber se a IA produz alguma coisa. Ela produz. A pergunta é qual tarefa recebeu velocidade e qual controle acompanhou essa velocidade. No caso da Ant Group, o aumento de linhas não bastaria para provar que o produto ficou melhor. Código em maior volume pode ampliar manutenção, retrabalho e risco se ninguém verificar a função que ele cumpre.

O caso também oferece um exemplo concreto para empresas menores. A ferramenta teve efeito mensurável em uma organização real, com grupos de comparação e uma métrica definida. Isso é diferente de dizer que qualquer negócio economizará o mesmo percentual. O resultado da Ant Group mostra uma relação entre ferramenta, tarefa e frequência de uso. Não autoriza prometer o mesmo ganho para atendimento, vendas, financeiro ou marketing.

Agosto a novembro de 2024: o tempo economizado ganhou uma medida mais modesta

Entre agosto e novembro de 2024, pesquisadores do Federal Reserve Bank of St. Louis perguntaram a trabalhadores dos Estados Unidos com que frequência usavam IA generativa e quanto tempo ela assistia suas atividades. A pesquisa deslocou a discussão do entusiasmo para uma medida operacional: quantas horas de trabalho foram afetadas pela tecnologia.

O levantamento encontrou que 28% dos trabalhadores usaram IA generativa no trabalho em algum grau. Entre os usuários, a economia média declarada foi de 5,4% das horas trabalhadas. A conta ajuda a dimensionar o dado: numa semana de 40 horas, 5,4% correspondem a 2,16 horas, ou cerca de 2 horas e 10 minutos. Esse tempo não equivale automaticamente a receita nova. Ele pode virar atendimento mais rápido, revisão mais cuidadosa, prospecção, treinamento ou simplesmente uma redução de tarefas repetitivas.

Quando os pesquisadores incluíram todos os trabalhadores, usuários e não usuários, a economia média caiu para 1,4% do total de horas. Essa diferença é importante para o empresário que olha para o resultado de um funcionário e tenta multiplicá-lo pela equipe inteira. A produtividade observada em quem usa uma ferramenta não representa o desempenho do negócio completo. A adesão, a qualidade do uso e a natureza das tarefas alteram a conta.

O estudo também mostrou que a intensidade importa. Entre os trabalhadores que usaram IA generativa no mês anterior, 31,9% relataram uma hora ou mais de uso por dia, enquanto 47% usaram entre 15 e 59 minutos diários. Entre quem recorria à tecnologia em todos os dias de trabalho, 52% diziam usar por uma hora ou mais. O dado não diz que uma hora de uso é melhor que quinze minutos. Ele mostra que frequência e tempo precisam ser observados antes de qualquer promessa de ganho.

Mulher escreve em caderno enquanto trabalha com computador portátil em loja comercial.

Para uma pequena empresa, o número do Fed pode virar um teste simples. Se uma pessoa economiza pouco mais de duas horas por semana, o gestor precisa registrar onde essas horas reaparecem. Se o tempo volta para a mesma fila, a IA reduziu esforço, mas não redesenhou o processo. Se a equipe usa as horas liberadas para uma tarefa que tem indicador de receita, prazo ou qualidade, existe uma hipótese de retorno que pode ser acompanhada.

Junho de 2025: a revisão da OECD mostrou que produtividade depende da tarefa

Em junho de 2025, a OECD publicou uma revisão de pesquisas sobre os efeitos da IA generativa na produtividade, na inovação e no empreendedorismo. O documento reuniu experimentos e estudos de campo de diferentes setores. A síntese não tratou a tecnologia como um ganho uniforme. Ela destacou que os resultados dependem da tarefa, da experiência de quem usa e da capacidade de reconhecer erros gerados pelo sistema.

Um dos pontos centrais da revisão é a existência de uma fronteira irregular de capacidade. A IA pode ajudar muito em uma atividade e falhar em outra que parece semelhante. Em um experimento com 758 consultores, citado pela OECD, os participantes que usaram IA concluíram 12% mais tarefas, terminaram o trabalho 25% mais rápido e alcançaram qualidade 40% maior em relação ao grupo sem a ferramenta. O ganho foi mais forte entre os 50% de menor desempenho inicial. O resultado não significa que todo serviço de consultoria possa ser automatizado. Significa que o contexto da tarefa influenciou o resultado.

A revisão também registrou o risco oposto. Quando a atividade está fora da capacidade da ferramenta, a assistência pode reduzir o desempenho e elevar a chance de erro. A confiança no texto ou na resposta pronta passa a substituir a verificação da pessoa. Esse é o ponto em que a velocidade deixa de ser eficiência. Uma resposta errada entregue em dez minutos pode gerar mais custo que uma resposta correta produzida em trinta.

Para o dono de negócio, a consequência é separar tarefas antes de escolher a aplicação. Resumir uma reunião interna pode exigir um controle diferente de responder a uma dúvida tributária de cliente. Criar variações de texto pode admitir revisão por amostragem. Informar preço, prazo, condição contratual ou orientação técnica exige uma fonte e um responsável. A mesma ferramenta pode participar das duas rotinas, mas não deve ter a mesma autonomia.

Junho a julho de 2025: o uso se espalhou, enquanto o retorno continuou concentrado

A pesquisa global da McKinsey, realizada entre 25 de junho e 29 de julho de 2025 com 1.993 participantes de 105 países, mostrou o descompasso entre adoção e resultado. O levantamento registrou que 88% dos entrevistados disseram que suas organizações usavam IA regularmente em pelo menos uma função. Cerca de 6% foram classificados como organizações de alto desempenho em IA, porque relataram valor significativo e impacto de pelo menos 5% no lucro operacional, o EBIT.

Uma conta feita com os próprios números ajuda a enxergar a distância. O percentual de organizações que usam IA, 88%, é aproximadamente 14,7 vezes maior que o grupo de alto desempenho, 6%. Isso não prova que usar IA causa baixo retorno. A pesquisa é baseada nas respostas das organizações e não estabelece uma relação de causa. Mas mostra que a presença da ferramenta se tornou muito mais comum que a captura de valor em escala empresarial.

A diferença apareceu também no modo de trabalhar. A McKinsey informou que quase dois terços dos respondentes ainda estavam em experimentação ou piloto, sem escalar a IA por toda a empresa. Entre os grupos de alto desempenho, o redesenho de fluxos de trabalho apareceu com mais frequência. Esses grupos também relataram maior participação da liderança e processos definidos para saber quando a resposta do modelo precisava de validação humana.

Esse achado aproxima a pesquisa da realidade da pequena empresa. Um chatbot colocado no site pode acelerar respostas, mas não resolve uma política de troca confusa. Um gerador de anúncios pode produzir dezenas de peças, mas não corrige uma oferta que não tem margem. Um sistema que resume pedidos pode poupar tempo, mas espalha o erro se a informação de origem estiver desatualizada. A ferramenta atua dentro de uma operação. Ela não substitui a definição do processo.

Outubro de 2026: a pergunta deixou de ser se a empresa usa IA

Em outubro de 2026, Gustavo Caetano escreveu na Startupi que a IA havia reduzido o atrito necessário para executar ideias. Antes, lançar uma funcionalidade, alterar um processo ou escrever código exigia mais tempo manual. Esse intervalo criava oportunidades para alguém encontrar uma falha. Com a execução mais barata, a equipe pode avançar até o erro sem perceber que a premissa estava errada.

O argumento conversa com os dados anteriores. A Ant Group mostrou que uma ferramenta pode elevar o volume de código. O Fed mediu horas poupadas. A OECD reuniu evidências de ganhos diferentes conforme a tarefa. A McKinsey registrou que o uso se espalhou antes de o retorno empresarial se tornar comum. Em conjunto, as quatro etapas apontam para uma regra de gestão: aumentar a produção não define o valor da produção.

O texto da Startupi também recupera a estatística de 95% atribuída ao projeto NANDA, do MIT, sobre iniciativas corporativas de IA generativa sem retorno financeiro mensurável. A fonte primária precisa ser lida com cuidado antes de transformar esse percentual em uma conclusão geral. A página pública do MIT Media Lab sobre NANDA descreve o projeto como uma iniciativa voltada a agentes de IA e ao chamado Agentic Web, mas não apresenta ali o recorte das mais de 300 iniciativas nem confirma o número citado na coluna. Por isso, esse percentual não deve sustentar sozinho uma decisão empresarial.

A cautela com a fonte faz parte do problema. Uma empresa que usa IA para pesquisar pode ganhar velocidade e perder precisão se aceitar o primeiro número encontrado. A revisão humana serve para verificar tanto o resultado do modelo quanto a origem da informação usada para avaliá-lo. Em uma operação pequena, esse papel pode ficar com o dono, com um funcionário responsável ou com um procedimento de aprovação. O nome da função importa menos que a existência do responsável.

Na próxima segunda-feira, o teste começa medindo o que a velocidade devolve

Escolha uma rotina que se repete toda semana e registre quatro pontos antes de ligar a IA: tempo gasto, quantidade entregue, erro encontrado e resultado esperado. Depois use a ferramenta por um período curto, com uma pessoa responsável pela revisão. Compare o que mudou. Se o tempo caiu, mas os erros subiram, o ganho foi aparente. Se a quantidade aumentou sem melhorar prazo, receita ou qualidade, houve produção adicional, não necessariamente produtividade.

O teste também deve definir o que a ferramenta não pode decidir. Preço, promessa ao cliente, pagamento, contratação, orientação legal e informação técnica precisam de uma fonte e de uma aprovação compatível com o risco. O funcionário que usa a IA deve saber quando parar, conferir e encaminhar. Sem essa regra, a automação transforma uma resposta provisória em decisão definitiva.

O leitor pode responder à pergunta olhando para o próprio negócio: nas últimas duas semanas, a IA liberou tempo que foi aplicado em uma atividade com indicador definido, ou apenas aumentou o volume de material que alguém ainda precisa revisar? A resposta mostra se a empresa está usando velocidade para melhorar uma rotina ou para executar mais depressa uma decisão que nunca foi testada.