Produtividade com IA: funciona melhor para quem está perdendo o emprego  June 29th 2026

A versão curta

Quatro dos estudos sobre o trabalho mais citados da era da IA, lidos lado a lado, contam a mesma história: os ganhos de produtividade da IA são reais, mas radicalmente desiguais, e pendem para os inexperientes, as tarefas bem delimitadas e o verificável. Não para os especialistas que fazem trabalho difícil e conhecido, nem para as empresas que compram pilotos.

• Os agentes de atendimento ao cliente ficaram 14% mais produtivos em média, mas +34% os novatos e quase zero os veteranos (Brynjolfsson, Li & Raymond, Generative AI at Work, NBER/QJE).
• Os consultores da BCG que usaram GPT-4 realizaram 12,2% mais tarefas, 25% mais rápido e com melhor qualidade, mas só dentro da "fronteira irregular" da IA. Numa tarefa escolhida para ficar fora dessa fronteira, os consultores com IA tiveram 19% menos probabilidade de acertar (Dell'Acqua et al., SSRN).
• Os desenvolvedores experientes de open source foram 19% mais lentos com IA nos próprios repositórios, enquanto acreditavam estar 20% mais rápidos (ensaio randomizado da METR, arXiv 2507.09089).
• E 95% dos pilotos corporativos de IA generativa não trouxeram nenhum impacto mensurável no resultado financeiro (MIT NANDA, State of AI in Business 2025, via Fortune).

Junte tudo e a resposta a "para quem?" deixa de ser um slogan e vira um mapa.

Quem fica mais rápido, e não é quem você imagina

A descoberta mais nítida de toda a literatura é também a mais contraintuitiva: a IA puxa para cima quem está embaixo, não quem está no topo.

No estudo de Brynjolfsson com 5.179 agentes de atendimento, o ganho médio de 14% foi carregado quase inteiramente pelos trabalhadores com menos experiência (+34%), enquanto os mais experientes mal se mexeram. A IA funcionou codificando o conhecimento tácito dos melhores agentes e entregando-o aos mais novos, comprimindo em um prompt meses de aprendizado no trabalho. O experimento de consultoria da BCG/HBS encontrou o mesmo formato pelo lado oposto: os de desempenho abaixo da média foram os que mais ganharam, e a tecnologia estreitou a distância entre consultores fracos e fortes.

E então os especialistas. O ensaio randomizado da METR colocou 16 desenvolvedores veteranos para resolver 246 tarefas reais em repositórios que eles próprios mantêm. Com as ferramentas de IA liberadas, levaram 19% mais tempo. A parte que deveria assombrar todo post de LinkedIn do tipo "a IA me deixou 10x": os desenvolvedores esperavam uma aceleração de 24% e, mesmo depois de terminar mais devagar, continuavam acreditando que a IA os tinha acelerado em 20%. Não conseguiam sentir o imposto que estavam pagando. A METR é cuidadosa quanto ao alcance: o resultado vale para ferramentas do início de 2025, desenvolvedores especialistas e bases de código conhecidas, e explicitamente não se generaliza para juniores nem para código desconhecido. Mas essa ressalva é a descoberta: a desaceleração se concentra justamente onde a experiência e o contexto são maiores.

A ideia que unifica tudo é a "fronteira irregular". A IA é brutalmente boa em algumas tarefas e erra com total confiança nas tarefas vizinhas, e a fronteira entre umas e outras é invisível e irregular. Dentro da fronteira, os consultores da BCG decolaram. Empurrados um pouco para fora dela, para uma tarefa que parecia semelhante mas exigia um discernimento que a IA não tinha, os consultores com IA tiveram uma probabilidade mensuravelmente maior de errar, porque a confiança fluente da ferramenta é a mesma dos dois lados da linha. A produtividade, então, não é uma propriedade da IA. É uma propriedade do encaixe entre a tarefa, a ferramenta e se o humano sabe perceber quando ela está mentindo.

Quem paga pelos ganhos que nunca aparecem

Se os indivíduos veem ganhos reais (ainda que desiguais), o cenário corporativo é mais duro. O estudo NANDA do MIT, com 150 entrevistas a executivos, 350 questionários com funcionários e 300 implantações públicas, constatou que apenas 5% dos pilotos de IA generativa produziram uma aceleração rápida de receita; os outros 95% estagnaram, com pouco ou nenhum impacto mensurável no resultado. O obstáculo não era a qualidade do modelo. Era a "lacuna de aprendizado": organizações que parafusam a IA em fluxos de trabalho inalterados. E algo revelador: os projetos comprados de um fornecedor deram certo cerca de 67% das vezes; os desenvolvimentos internos, apenas um terço disso, e o retorno de verdade estava na nada glamourosa automação administrativa, não nas ferramentas de vendas e marketing que consumiram a maior parte do orçamento.

O mercado já está sentindo essa lacuna no caixa. O que os especialistas compartilharam esta semana: as empresas estão "correndo para parar de gastar tanto com IA" à medida que as contas de inferência disparam (o "Tokenpocalypse" da 404 Media), e a história exemplar do ciclo, a Ford "contratou IA e demitiu humanos", e o tiro saiu pela culatra, circula justamente por ser o oposto do pitch deck.

A parte que as demos escondem

Três custos não aparecem em nenhum painel de produtividade, mas surgem por toda parte nas reportagens:

• A folha de pagamento humana oculta. Boa parte da "produtividade da IA" é, na verdade, produtividade humana, realocada e tornada invisível: os sistemas são treinados e corrigidos por exércitos de trabalhadores de dados, muitos no Sul Global e pagos com uma fração dos salários ocidentais, cujo trabalho o Instituto DAIR documentou em detalhe. O resultado parece autônomo; a folha de pagamento por trás dele quase nunca é.
• Os ganhos são gastos em mais trabalho, não em menos. A "era do burnout por IA" da Bloomberg documenta que as pessoas mais próximas da IA trabalham mais do que nunca; o CEO de uma startup conta que dormiu no escritório por três semanas seguidas. Quando a IA elimina o trabalho maçante, as horas liberadas são preenchidas com trabalho de maior risco e ciclos mais rápidos. O tempo economizado vira produção exigida.
• Atrofia de habilidades. Os engenheiros começam a escrever ensaios sobre isso (um deles virou tendência no Hacker News esta semana) argumentando que a IA está corroendo o "estado de fluxo" que fazia o ofício valer a pena, e que delegar as partes difíceis esvazia, em silêncio, a expertise de que uma organização vai precisar quando a ferramenta errar.

A simetria cruel

Aqui está a reviravolta que deveria ancorar como você lê tudo isso. O economista cuja pesquisa mostra com mais clareza que a IA torna os trabalhadores juniores mais produtivos, Erik Brynjolfsson, de Stanford, também comanda o painel que mostra a IA deixando os trabalhadores juniores sem emprego. Seu indicador Canaries, construído sobre dados de folha de pagamento da ADP que cobrem cerca de 1 em cada 6 trabalhadores dos EUA, constata que o emprego dos jovens de 22 a 25 anos nas funções mais expostas à IA cai enquanto sobe para os colegas menos expostos: evidência precoce e em larga escala de que os primeiros degraus estão sendo puxados para cima (Fortune, 27 de junho). As duas descobertas não se contradizem; são o mesmo fato. A IA entrega seu maior impulso de produtividade ao novato, e é exatamente por isso que o cargo do novato é o primeiro que uma empresa decide que pode dispensar. Estamos automatizando, da forma mais eficiente, o degrau que você costumava subir para se tornar o especialista que a IA não consegue substituir. Ninguém respondeu o que acontece com a formação de especialistas quando o aprendizado é justamente o que otimizamos até fazer desaparecer.

Então, será que funciona mesmo? Um guia de campo

A síntese honesta não é "sim" nem "não". É um conjunto de condições. A IA aumenta a produtividade de forma confiável quando: a tarefa é bem delimitada e o resultado é verificável (você consegue distinguir rápido o que é bom do que é ruim); ela cai dentro da competência do modelo; e quem trabalha é ou um novato em tarefas rotineiras ou um especialista que trata a IA como um rascunho a ser conferido, não como um oráculo. Ela falha ou sai pela culatra quando: o trabalho exige discernimento aberto, o humano não consegue verificar facilmente a resposta, o especialista já é mais rápido que o ciclo de revisar-a-IA, ou uma organização compra uma ferramenta sem redesenhar o fluxo de trabalho ao redor dela. Os que ganham não são nem os mais nem os menos técnicos: são os que sabem exatamente onde fica a fronteira irregular e nunca confiam na ferramenta além dela.

Pontos principais

• Os ganhos são reais, mas pesam para baixo. Os maiores impulsos de produtividade medidos da IA vão para os novatos e os de desempenho abaixo da média; para os especialistas em trabalho conhecido, o efeito encolhe a zero ou se inverte.
• Você não consegue sentir. Os desenvolvedores da METR foram 19% mais lentos e estavam 20% certos de que iam mais rápido. Os ganhos "10x" autorrelatados não são evidência; a produção verificável, sim.
• O gargalo é a organização, não o modelo. 95% dos pilotos corporativos não devolvem nada, e os 5% que funcionam compram ferramentas focadas e redesenham o fluxo de trabalho em vez de parafusar a IA por cima.
• A história da produtividade e a do emprego são uma só. A IA ajuda mais o trabalhador júnior, e é exatamente por isso que o cargo júnior é o primeiro a ser cortado. Planeje desde já a formação de especialistas que vai faltar.

Vale a pena ler

• Generative AI at Work, de Brynjolfsson, Li & Raymond. O estudo seminal do "os novatos ganham mais" (NBER / Quarterly Journal of Economics).
• Measuring the Impact of Early-2025 AI on Experienced Developers, da METR. O ensaio do 19%-mais-lento-mas-sentindo-se-mais-rápido, com suas próprias ressalvas honestas.
• Navigating the Jagged Technological Frontier, de Dell'Acqua et al., Harvard Business School / BCG. Onde a IA ajuda e onde prejudica em silêncio.
• The GenAI Divide: State of AI in Business 2025, do MIT NANDA. O número dos 95% e o que os 5% fazem de diferente.
• Canaries in the Coal Mine, do Stanford Digital Economy Lab. Evidência ao vivo, com dados de folha de pagamento, sobre a IA e o emprego de nível inicial.

Wait, What?

A partir de 8 de julho, o Claude pode pedir para ver seu passaporte. E seu rosto. Para as contas sinalizadas por abuso, a Anthropic vai exigir um documento oficial mais uma selfie com reconhecimento facial, processada pelo fornecedor externo Persona, que constrói um modelo de geometria facial: dados que vários estados dos EUA classificam como informação biométrica legalmente protegida (TechCrunch). É uma exigência incomumente física para um chatbot, e um pequeno sinal de para onde a relação está caminhando: a ferramenta que deveria trabalhar para você quer, cada vez mais, saber exatamente quem você é.

A enquete desta semana

Onde a IA de fato deixou você mais produtivo?

É isso na edição especial. Responda e me conte de que lado você está: as respostas honestas são a coisa mais útil que publicamos.

— Alexis